目标识别技术在许多领域都取得了显著的成果。目标识别的首要任务是获取目标的信息,相较于摄像机等其他传感器,雷达在获取目标信息这方面有着明显的优势,这些优点不仅可以应用于民用产业,还适用于军事领域。因此,基于雷达回波的目标识别具有重要意义。围绕雷达回波信号的处理以及目标识别方法的优化等问题,开展了以下几个方面的研究工作:1)对于雷达目标,选取目标的幅度作为识别特征,将目标瞬时时刻的幅度推广至目标完整运动过程中的幅度序列,将幅度序列作为目标识别的特征。利用线性调频连续波雷达对实际场景中的摩托车、汽车、无人机和行人四类目标进行实测。利用二维快速傅里叶变换和二维恒虚警率检测的处理方法提取目标的幅度序列。2)基于提取的雷达目标幅度序列特征,采用堆栈式降噪稀疏自编码器进行识别,比较了降噪自编码器的两种加噪方式对识别效果的影响。利用极限学习机替代传统神经网络的Soft Max分类层,一定程度上解决了深度网络随着结构的加深而训练速度降低的问题。3)对于目标识别中存在的样本数据不平衡的情况,提出一种基于样本自身属性的加权正则化极限学习机。通过结合堆栈式降噪稀疏自编码器和加权正则化极限学习机,充分发挥两者的优点,提高整个网络的识别效果。实验结果得出该方法相较于堆栈式降噪稀疏自编码器和传统的极限学习机有着更加优越的识别性能。图33幅;表8个;参56篇。