高分辨距离像(HRRP)是目标多散射中心的复振幅在雷达径向距离方向上的投影分布。HRRP反映了目标散射截面在雷达视线方向上的投影分布以及目标精细的几何形状与结构特征,因此可将HRRP应用于目标的分类或识别。基于HRRP的目标识别已经成为目前雷达目标识别中最重要的方法之一。传统的HRRP识别方法主要面临两个难题:人工提取有效特征的繁琐和分类器设计的困难。而神经网络能够自动学习目标特征,降低了传统目标识别过程中人工设计特征的复杂度。因此,基于神经网络的HRRP目标识别已成为当前重点研究方向之一。本文主要从卷积神经网络(CNN)模型的优化设计、网络模型分类性能的提高以及HRRP特征提取丰富度的增强等3个方面开展对基于CNN的HRRP识别领域相关技术的深入研究与仿真验证。论文的主要内容和创新点总结如下:由于实际战场环境中的HRRP识别属于小样本学习问题,因此针对CNN在处理小数据集时,经常出现的训练过程损失函数收敛过慢的问题,提出了一种适用于小样本的卷积神经网络模型,并且引入批归一化(BN)算法对模型性能进行优化。BN算法保证了每层输入数据的相对稳定性,提升了模型学习速度。为进一步提高模型的分类性能,将CNN输出层的Softmax分类器替换为支持向量机(SVM)。基于高保真电磁计算数据的实验结果验证了提出的优化CNN模型的有效性,表明了当复杂模型处理小样本时,采用SVM作为CNN的分类器更有利于提升识别准确率。根据现有的经典网络架构归纳得出,在同一块卷积层采用不同大小的卷积核,能够获取不同尺度的数据特征,因此提出了一种基于多尺度CNN的HRRP目标识别架构,该架构使得卷积层提取的特征更具多样性,进一步提升了CNN对于HRRP的识别准确率。又在该架构的全连接层中引入Dropout操作进行模型优化,Dropout能随机切断神经元间的连接,很好地控制了过拟合。基于高保真电磁计算数据的实验结果验证了该方法的优越性。最后基于时间复杂度的对比实验表明,多尺度CNN是以时间复杂度换取了识别准确率的提升,因此它更适用于实时性要求不高但准确率要求较高的场景,而对于实时性要求较高的场合,宜采用包含固定尺寸卷积核的网络架构。