雷达自动目标识别技术在军事和民用上都有着巨大的应用价值。宽带雷达高分辨距离像（HRRP）具有目标结构信息丰富、易于获取的特点，是雷达目标识别重要的发展方向之一。本文以探寻稳健、实用的识别算法为目标，围绕HRRP目标识别的关键问题，系统地研究了姿态敏感性、特征提取、噪声背景下的稳健识别和序列识别问题，为HRRP目标识别的实用化进行了有益的探索。主要研究内容和创新点如下：1．基于散射点模型理论，研究了不同方位角下等角域划分对目标识别的影响，通过对HRRP方位敏感性较强的方位角区域细分，以相邻HRRP的互相关系数为基准自适应地划分角域，弥补了最大相关模板匹配法（MCC-TMM）均匀划分角域的缺陷，改善了识别性能。2．针对HRRP目标识别中简单套用经典概率分布模型存在的“模型失配”问题，研究了逆向云模型的建模问题，给出了云滴确定度和逆向云隶属度的计算方法，提出了基于逆向云模型的雷达目标识别方法。仿真表明，相比经典的Gaussian模型，该方法具有识别精度高、对训练数据量依赖性小、对目标姿态变化不敏感、抗噪性能好等优点。3．当目标在某一角域内的散射特性失配时，其对应角域HRRP能量呈现非线性分布特性。针对这一问题，提出了一种基于核主分量分析（KPCA）重构的雷达目标识别方法。该方法在等角域划分下利用核主分量分析提取每个角域内HRRP的特征子空间，再将测试样本投影到各角域特征子空间中进行重构，最后通过计算最小重构误差来判别测试样本的类别。相比主分量分析重构方法和最大相关系数模板匹配法，核主分量分析重构方法可以松弛角域划分范围，降低角域划分的精度要求，同时也具有较好的抗噪性能。4．针对传统的线性判别分析（LDA）算法应用于HRRP特征提取时存在的“四个缺陷”（要求假设待分类数据服从具有相同协方差矩阵的高斯分布；降维后的特征子空间维数受限；在计算散射矩阵时没有突出边界样本在目标识别中的作用；待分类样本的维数大于或接近于样本个数时，容易造成所谓的“小样本问题”），研究了HRRP非参数特征提取方法：（1）提出了基于非参数特征分析（NFA）和逆向云模型相结合的HRRP目标识别方法。NFA算法在计算散射矩阵时用局部KNN均值代替类均值；利用样本的局部信息来构建类间散射矩阵，增加了类间散射矩阵的秩；通过权函数增强了训练数据中类边界样本在分类中的作用。弥补了LDA算法的前三个应用缺陷。利用逆向云模型作为分类器改进了概率论和模糊数学在处理不确定性问题方面的不足，更加符合目标HRRP经过特征提取后特征子空间模糊分布的实际情况；（2）提出了基于非参数最大间隔准则的雷达目标识别方法。该方法结合最大间隔准则和非参数化方法的优点，采用“以差化商”的方法解决了LDA算法的“小样本”问题，用非参数的方法计算类内和类间散射矩阵弥补了LDA算法的其它三种应用缺陷。仿真实验表明，相比参数的特征提取方法，所提出的非参数特征提取方法可以增加HRRP样本的类内聚合性和类间可分性，从而提高目标识别率和抗噪性能。5．针对传统的HRRP识别方法对噪声环境适应性差的问题，提出了一种噪声背景下的HRRP目标识别方法。该方法通过分析不同信噪比下幂次变换(PT)参数的选取对识别效果的影响，利用线性回归的方法给出参数选取的经验公式；结合信噪比实时估算，研究了基于自适应幂次变换的数据预处理方法。根据自相关小波变换的时移不变性特性和较好的抗噪性能，构造自相关小波SVM分类器。仿真实验表明，该方法在目标识别率和噪声稳健性方面远优于高斯核SVM分类器。6．为获得更加稳健、可信的识别效果，设计了HRRP序列的雷达目标识别模型，并根据该模型详细论述了雷达目标的序列识别方法；针对模型中的主干环节，基于概率推理理论，引入灰色关联算子，构造了HRRP序列目标识别算法中MYCIN的不确定因子，提出了一种基于HRRP序列的雷达目标识别方法。与单样本的识别算法相比，所提出的算法具有识别精度高、稳定性好、抗干扰能力强等优点，具有较好的工程应用前景。