在战场条件下,获得雷达目标属性意味着可判定敌方目标并确定目标威胁程度,从而催生出目标识别技术。鉴于高分辨率宽带雷达体积庞大且制造成本高,并不适用于便携式地面侦察雷达的应用环境,所以便携式地面侦察雷达通常为低分辨雷达。因此,开展低分辨地面侦察雷达自动目标识别算法研究具有重要意义。本文详细介绍雷达自动目标识别技术的特征提取、分类器设计与超参数寻优方法,以及低分辨地面侦察雷达的信号预处理与数据采集过程,为后续算法设计提供基础。针对雷达回波的时域波形与频谱结构进行特征提取,分别使用朴素贝叶斯、决策树、线性判别分析、K近邻与支持向量机五种分类器对样本分类并分析其识别性能,使用网格搜索、随机搜索与贝叶斯优化三种超参数寻优方法寻找分类器最佳超参数设置,并提出加权迭代多分类器融合算法,解决单一分类器无法充分利用所有样本特征的问题。为降低目标识别过程中的人工干预,将浅层神经网络应用于地面雷达自动目标识别领域,就其网络规模小且对模型描述能力弱的问题,将雷达回波转换为三通道数据,提出基于卷积神经网络的特征融合目标识别算法,并分析不同的卷积层结构、激活函数、优化器和学习率条件下的网络识别性能。针对神经网络的退化问题,提出多尺度残差神经网络目标识别算法,利用多尺度残差神经网络实现恒等映射解决深层网络不易训练的问题,且与基于卷积神经网络的特征融合目标识别算法相比,对人员与车辆目标样本的正确识别率提升2%。并采用贝叶斯超参数寻优方法寻找网络最佳超参数设置,克服网络设计过程中依据经验设置超参数的人为因素影响。在此基础上,采用自编码器进行数据降维从而降低参数计算规模,消除网络规模变大后对目标识别实时性的影响。最后,在信号处理平台上基于DSP实现地面雷达自动目标识别算法,经样本库数据仿真和实际外场测试得出,本文设计算法可达到95%以上的正确识别率。