超宽带雷达具有广泛的应用场景,例如军用弹头识别,飞行器识别、民用机动车识别、行人识别、家庭报警、救灾探测等。由于超宽带雷达属于新体制系统雷达,其目标的回波携带了较宽带雷达信号更为复杂的电磁波谱信息,因此可以通过多种信号分析手段提取到比传统体制更有效的目标识别特征,从而尽可能地利用超宽带体制带来的优越性。本论文主要对超宽带雷达回波进行信号处理后生成的时域高分辨一维距离像（HRRP）与频域电磁散射特征联合识别方法和一般场景下未知类别目标识别方法开展了研究,具体工作如下:1.首先,为扩增目标样本的特征空间,提高基于超宽带特征的目标识别准确率,将目标的频域几何绕射理论模型（GTD）解出的参数作为目标识别的参数化特征,目标时域HRRP作为时域特征,进行特征联合识别。针对目前缺少基于自动提取特征的卷积神经网络（CNN）的跨域特征选择方法的问题,结合深度学习网络提出了基于CNN反向传播算法的雷达目标参数化特征选择方法,计算出了几种不同的频域参数化辅助特征对于目标分类结果的重要性评价值。其次,针对如何更有效地应用时频特征进行联合识别的问题,基于上述特征选择方法设计了基于深度学习的时频特征联合学习目标识别算法。将该算法与模式识别经典算法如支持向量机（SVM）、卷积神经网络、多层人工神经网络（DNN）等在不同的信噪比条件下进行识别准确率对比,实验结果表明,在较低的信噪比情况下,时频融合算法的目标识别准确率较高,算法的抗噪性能较强。2.针对一些目标识别场景下混入未知类别的目标导致系统无法正确识别目标的问题,本论文提出了基于自编码器和异常检测模型的未知类别目标识别算法。该算法与常用的基于卷积神经网络这类的的未知类别检测算法不同,对大规模数据的依赖性较低。算法假设待测样本集合中的已知类别样本和未知类别样本符合高斯分布的特性,并在此假设基础上进行未知类别目标识别门限的求取,最终完成未知类别目标识别任务。实验验证结果表明,该算法在较高信噪比的条件下与常用未知类别算法相比具有较高的未知类别检测准确率,且算法的平均运行时间较短。