高分辨雷达数据由于能够提供目标尺寸、散射点结构等特征,并且包含目标更多的细节信息,使得高分辨雷达数据能够更精细的区分目标的类别和型号,因此在雷达自动目标识别(RATR)中的应用越来越广泛。而随着深度学习方法在机器学习领域的飞速发展,深度学习方法也被引入雷达目标识别的应用中,促进了雷达目标识别技术的进一步发展。在深度学习方法中,AE模型由于其良好的泛化性能在各个领域被广泛使用。本论文依托国防预研项目以及国家自然科学基金等项目,从深度学习方法在高分辨雷达目标识别中的应用角度出发,针对AE模型应用在高分辨雷达目标识别中存在的问题进行了相关理论和技术研究。论文的各部分主要内容概括如下:1.介绍雷达目标识别的基本概念、应用背景以及研究现状,并介绍了深度学习的相关概念和发展情况。讨论了深度学习在高分辨雷达目标识别中的问题,并概述了论文的主要工作。2.阐述了典型的深度学习方法——限制玻尔兹曼机(RBM)模型和自动编码器(AE)模型的基本结构,对模型的推导和求解过程做了详细介绍,并分析了两种方法的特点和不同。之后通过RBM模型和AE模型在高分辨雷达目标识别中HRRP数据和SAR图像数据上的实验结果,分析了两种模型的性能。3.针对将AE模型直接应用在高分辨雷达目标识别中训练样本数量少的问题进行了研究。训练样本数量少的问题直接影响了深度学习方法的识别性能,并且扩充数据的预处理方式也因实际应用中难以找到合适的扩充方式而难以广泛使用。针对这个问题,本章节提出了欧式距离约束AE的模型,在原始AE模型的基础上引入欧式距离约束,通过利用监督信息更加充分的利用少量样本中包含的信息,从而在不进行数据扩充的情况下提升识别性能。进一步的,欧式距离约束AE中加入了随机丢弃算法,避免了模型在少量训练样本和引入监督约束而导致的过拟合,从而提高了模型的泛化性能和识别能力。章节最后通过SAR图像的实验结果验证了欧式距离约束AE的有效性,并对模型的性能和结构进行了分析。4.针对将AE模型应用在高分辨雷达目标识别中样本容易受到噪声杂波背景干扰的问题进行了研究。一般的深度学习方法在提取特征的过程中没有考虑噪声杂波背景的影响,而是从整个训练样本中共同提取高层特征,从而导致网络提取出的特征受到噪声和杂波的影响而导致识别性能下降。针对这一问题,本章节提出了逐点鉴别AE(PDAE)模型,采用了一个专门设计目标区域提取网络来学习样本的目标区域从而将目标区域和噪声杂波背景区分开。并且,PDAE中引入监督信息的约束,使得目标区域提取网络更准确的提取出目标区域,并进一步从目标区域中提取出可分的高层特征用于识别。章节中介绍了点控鉴别玻尔兹曼机(PGBM)作为对比,并在章节最后最后通过不同信噪比(SNR)的HRRP数据和不同信杂比(SCR)的SAR图像数据实验,验证了PDAE模型对于噪声杂波背景干扰下的雷达数据的性能,并对模型提取的目标区域进行了分析。5.由于高分辨雷达目标识别应用中,训练样本数量少、样本受到噪声杂波干扰等原因,直接采用深度学习方法对数据提取特征效果并不理想。而在实际应用的过程中,由于人们的经验积累,已经提取出了很多能够进行识别的特征,但是这些特征受到人的经验的局限性,不一定全部适合分类识别也不一定是最优特征。针对如何更加有效的通过深度学习方法利用人为提取的特征的问题,本章节提出了特征选择AE模型,通过监督信息的约束使得模型能够对人为提取的特征进行筛选,并且进一步对选择的特征进行多层非线性映射,从中提取出更加可分的高层特征。章节中介绍了传统的特征选择方法作为对比,并介绍了HRRP识别中提出三种平移不变特征和SAR图像识别中提出的SIFT特征。最后通过HRRP的平移不变特征和SAR图像的SIFT特征的识别实验,验证了特征选择AE模型的有效性,并分析了特征选择AE模型进行特征选择的效果。