高分辨宽带雷达的距离分辨率远小于目标尺寸,其雷达回波信号被称为目标的一维高分辨距离像（High resolution range profile,HRRP）,HRRP往往呈现出多样性和对目标微小变化的敏感性,导致目标的特征难以捕捉与区分,因此提升HRRP识别方法的性能具有重要的意义。传统识别方法中各帧独立建模的理想化思维限制了算法的泛化性,导致了其在小样本、数据集不平衡及低信噪比条件下易出现性能急剧下降的情况。基于上述问题,本文提出了基于深度嵌入神经网络的HRRP识别方法。主要内容有:（1）对传统方法的识别性能做了研究,分析了传统方法在小样本或低信噪比条件下的平均识别性能,通过实验证明了传统方法在实际应用场景中的缺陷,为后文的研究奠定了基础。（2）基于HRRP包络特征的识别。针对传统方法采用分帧独立建模导致特征提取过程中可分性信息损失的问题,提出了基于多尺度卷积神经网络（Convolutional Neural Networks,CNN）的HRRP识别方法;针对传统方法在低信噪比环境下稳健性差的问题,实现了基于去噪自编码器（Denoising Auto Encoder,DAE）的HRRP识别方法,其中使用了预训练提取特征后微调参数进行分类的训练方式。（3）基于HRRP结构特征的识别。针对CNN和编码器-解码器结构无法提取HRRP时序特征的问题,实现了基于双向循环神经网络（Recurrent Neural Network,RNN）的HRRP识别方法,并在网络中结合了自注意力机制。（4）提出了基于深度嵌入神经网络的HRRP识别方法。其中,针对RNN建模过程中输入序列结构和时长之间互相制约以及网络容易忽视某些含有可分性信息但幅度较小的距离单元的问题,提出使用结合动态调整层、卷积层、SE（Squeeze-and-Excitation,SE）层的CNN模块提取HRRP的高层次特征,再将其嵌入进后续的堆叠双向RNN识别网络中;提出基于堆叠双向RNN的多层次注意力机制,对不同层次所反映的目标局部结构进行重要性调整。基于实测数据的实验结果验证了本文所提方法在数据量较大的情况下具备很好的识别性能;在训练数据集较小或信噪比较低的情况下较其他方法也均有优势。