雷达目标识别是现代雷达的关键技术,在反导防空、资源勘探以及国土防御等领域发挥着重要作用。通过对雷达回波的分析和处理,可以获得目标的位置、速度、雷达散射截面积以及喷气发动机调制等特征信息,可用于对目标的分类和识别。窄带低分辨率雷达由于受分辨率的限制,获取的信息往往不足以准确识别目标。本文将多部雷达获取的特征信息进行数据融合,利用多部雷达回波信息之间的冗余性和互补性,从而形成对目标的多角度描述,提高识别准确率。论文研究雷达特征建模、雷达目标识别以及多雷达数据融算法等内容,主要工作如下:1.多雷达数据融合算法研究。研究总结了多雷达数据融合算法以及遗传算法原理,并研究了数据融合六级模型。提出一种基于改进型自适应遗传算法的多雷达数据融合算法,利用SoftSign函数改进遗传算子,并结合神经网络改进适应度函数。针对雷达目标高分辨一维距离像特征,利用本文提出的改进型自适应遗传算法,进一步融合多雷达串行化数据,选择出84维特征向量参与最终建模。实验表明,本文提出的改进型自适应遗传算法能够有效地融合多个雷达的数据,多雷达融合后的目标识别准确率比单个雷达识别准确率有明显提升,且在信噪比较低时提升效果更加明显。2.支持向量机分类算法研究。提出一种基于SURF（Speeded Up Robust Features）和支持向量机的SAR（Synthetic Aperture Radar,SAR）图像目标识别算法。该算法通过SURF算法提取SAR图像特征关键点,再通过图像特征词袋算法聚类出一定数量的关键词,最后使用支持向量机对关键词训练出分类模型。使用 MSTAR（Moving and Stationary Target Acquisition and Recognition,MSTAR）雷达图像数据集训练模型并测试,在十种目标分类识别中达到96.89%的识别准确率。实验表明,该算法能够有效地分类SAR图像目标。3.神经网络分类算法研究。提出一种针对SAR图像特点的改进型卷积神经网络（Convolution NeuralNetwork,CNN）模型,该网络模型由多个卷积层、池化层和全连接层等基本结构组成,使用误差逆传播算法训练网络参数。该模型实现了对SAR图像中目标的自动识别功能,同样使用MSTAR雷达图像数据集训练模型并测试。仅对原始图像进行剪裁处理,在十种目标分类识别中达到97.32%的识别准确率。实验表明,该算法能够以较高的准确率实现目标识别功能。4.目标JEM（Jet Engine Modulation,JEM）特征与高分辨一维距离像特征研究。分析了目标JEM产生机理,并深入研究高分辨一维距离像的原理。本文通过FEKO仿真软件建立了四种目标的JEM特征模型以及高分辨一维距离像模型,并批量生成仿真数据。针对JEM特征,将所有雷达JEM仿真数据幅度归一化,并融合各雷达的数据矩阵,利用上述数据进行单雷达目标识别与多雷达融合目标识别的对比试验。仿真实验表明,多雷达数据融合对JEM特征同样有效,且在信噪比较低时有着更好的提升效果。