近年来，随着科学技术的发展，战争形式变得复杂多样，传统雷达已无法应对现代战争复杂的战场环境和电磁环境。认知雷达技术由于能够动态地感知环境变化、及时调整雷达参数，已经成为雷达领域未来研究的一个重点方向。但是，现有认知雷达成像技术对目标和环境的自适应能力仍然不强，缺乏有效的评价体系来为认知成像任务提供参考。另一方面，在对认知雷达图像的识别中，现有方法往往需要人工提取图像的特征进行识别，具有片面性和不确定性，难以大范围地应用在雷达图像识别领域。为了解决上述问题，本文构建了认知雷达目标评价与识别系统，使其能够对认知雷达成像目标进行准确的评价与识别。本文主要进行了以下几方面的研究：
　　针对认知雷达的闭环反馈要求，建立了目标优先级综合评价准则，通过将认知雷达目标评价准则与资源分配方法相结合，利用目标特征信息，提升雷达对目标的成像效能。本文构建了目标威胁度指标和雷达图像质量评价指标，并将两个指标相关联，首先采用了传统的评价方法层次分析法和灰色关联法实现了目标优先级的综合评估。但是，层次分析法主观性较强会导致评价结构的不确定性，灰色关联法过分注重数据特性而忽略指标的实际意义，因此，又采用了误差反向传播（BP）神经网络实现了雷达图像质量评价指标权值的动态调整，并通过自组织特征映射（SOFM）神经网络来实现目标优先级的综合评估。
　　为了实现在小样本条件下合成孔径雷达（SAR）图像识别的问题，本文分别基于卷积神经网络（CNN）模型和胶囊神经网络（Capsnet）模型来对该问题进行研究，实验样本选取了美国国防高级研究计划署发布的MSTAR数据集。通过CNN模型的仿真实验发现，即使针对小样本数据设计相应的网络结构，并增加Dropout层来减弱过拟合效应，对小样本SAR图像的识别中过拟合效应仍无可避免，通过分析CNN模型的缺点，本文选取了Capsnet模型来改进合成孔径雷达图像的识别问题，针对小样本SAR图像设计了轻量化的胶囊神经网络模型，提高了训练速度，并且识别的正确率高于CNN模型。