以目标一维距离像(High Resolution Range Profiles,HRRP)进行识别的先决条件是能够取得识别目标的特征数据,建立目标特征库。在实际应用中,待识别目标可能是未知目标,即没有参与训练的目标,由于缺乏未知目标对应的特征库模板,传统识别方法将导致错误的判别结果。因此,在进行常规的目标识别之前,有必要首先进行未知目标的判别,以确定待识别目标的库属性。本文针对未知目标判别方法开展研究,主要内容包括:1.支持向量数据域描述(Support Vector Domain Description,SVDD)在构造分类边界时,容易出现过拟合或欠拟合的问题。因此本文研究了两种基于训练样本分布的SVDD一维距离像判别方法,通过计算训练样本的分布参数,并将其作为加权因子来改进分类器的优化函数,实现对分类边界的调整,避免出现过拟合或欠拟合的情况;同时采用粒子群参数优化方法解决了训练过程中参数难以确定的问题。仿真结果表明,两种基于训练样本分布的判别方法相对于SVDD在判别效果、抗噪声、方位角敏感性等方面都有比较好的效果。2.支持向量数据域描述要求训练数据尽可能满足球形分布,但大多数实测数据无法满足。因此本文研究了三种基于聚类的SVDD判别方法。该类方法首先根据相应的聚类准则对训练数据集进行聚类,然后对各个子类进行SVDD训练,得到相应的边界支持向量,最终对支持向量集合再次进行SVDD训练,得到最终的判决边界。这类方法考虑了样本的分布并且采用多次SVDD训练,提高了算法的判别精度。同时利用差分进化算法(Differential Evolution,DE)解决了判别方法参数设定问题。仿真结果表明,上述方法相对于SVDD在判别效果、抗噪声、方位角敏感性等方面都有比较好的效果。3.由于传统SVDD只能利用一类样本数据进行训练,当能够获取部分未知目标信息时,则无法使用,而含有负类样本的SVDD方法(NSVDD)没有考虑训练数据的分布情况,易导致判别边界向某一类倾斜。因此本文研究了一种基于核密度权重的NSVDD方法(DFS-NSVDD),该方法通过计算核空间中样本在NSVDD分类边界周围的密度分布,将其作为加权因子来改进NSVDD的优化函数,使构造的边界紧凑平滑,避免向某一类数据集倾斜。同时提出了一种新的参数优化方法,解决了DFS-NSVDD方法中参数设定困难和其它寻优算法易陷入局部最优的问题。仿真实验验证了上述方法的可行性和有效性。