随着军事电子技术的发展,现代战争逐渐演变为高技术信息战,对战场信息的动态监测和处理能力关系着战争胜败,战场侦察雷达的功能已经不能仅仅满足于探测目标的位置和速度信息。雷达目标属性对判别敌方目标的威胁程度从而进行目标精确打击有着重要意义,目标识别技术应运而生。鉴于高分辨宽带雷达的制造成本高、体积大,不适用于便携式地面侦察雷达应用环境,现役便携式地面侦察雷达大多是低分辨雷达,因此研究低分辨地面侦察雷达自动目标识别技术的重要性不言而喻。本文首先介绍地面侦察雷达回波信号的预处理流程、特征提取方法及常用分类器原理,分析实际采集的人、车回波数据特征,通过对雷达回波数据做傅里叶变换,定义了时域回波结构特征和频谱结构特征,并对定义的特征进行分布统计。随后,对提取的组合特征利用K近邻分类器、SVM分类器、BP神经网络分类器进行分类,在此基础上验证了网格搜索、随机搜索、贝叶斯优化三种超参数优化方法对于K近邻分类器和SVM分类器的有效性,比较了不同分类器以及不同超参数寻优方法的性能。进一步地,本文采用卷积神经网络（Convolutional Neural Network,CNN）分类识别技术,将CNN网络结构简化,使其适用于低分辨雷达的一维数据流。在此基础上,将时域回波、功率谱以及幂变换后的功率谱组合为CNN输入的三个通道,提出一种基于特征融合的一维卷积神经网络（1-D CNN）的目标分类识别方法,与传统分类器相比具有更好的性能。此外,论文比较了不同网络超参数配置对1-D CNN分类器识别性能的影响,利用贝叶斯优化超参数寻优方法进行超参数寻优,克服了分类器训练构建过程中需要依据经验设置超参数的人为因素影响。在此基础上,本文进一步利用自编码器对特征降维,在提高分类器参数自主选择能力的基础上减小网络结构和参数计算规模。最后,本文利用FPGA+DSP硬件架构的地面侦察雷达信号处理平台,在FPGA上实现了回波信号的下变频、脉冲压缩的预处理流程,在DSP上实现了相参积累、目标检测以及目标分类识别模块,目标样本数据库测试和外场试验结果表明,所设计的目标分类识别系统可达到93%以上的正确分类识别率。