由于高分辨距离像（High Resolution Range Profile,HRRP）容易采集和处理,且对应的基于HRRP的雷达目标识别算法具有参数少、计算量小以及识别速度快等优势,因此基于HRRP的雷达目标识别技术受到了学术界的广泛关注。但是实际应用中,受到外部环境的干扰,获取的HRRP数据常伴有噪声,而数据中的噪声会影响数据的幅值,进而影响识别结果。当数据的信噪比较低时,识别效果难以达到预期水平。针对上述问题,本文研究了基于深度学习的HRRP雷达目标识别算法,研究内容包括:（1）提出基于最小二乘生成对抗网络（Least Squares Generative Adversarial Network,LSGAN）与一维卷积神经网络（Convolutional Neural Network,CNN）结合的目标识别方法。识别步骤为:首先,使用LSGAN对HRRP数据处理,将低信噪比的HRRP数据作为生成网络的输入,无噪声的HRRP数据作为真实数据,通过训练网络得到与真实数据相似的生成数据,提高了数据的信噪比;其次,将LSGAN生成的数据通过一维CNN识别,得到识别结果。（2）通过上述实验结果分析可知:LSGAN虽然提高了HRRP数据的信噪比,但是其在训练时发生了模型坍塌,这导致生成的数据多样性降低,不利于对HRRP数据的识别。针对上述问题,对LSGAN进行改进,在LSGAN生成网络和判别网络的损失函数上各添加一个约束项,得到约束朴素LSGAN（Constrained Naive Least Squares Generative Adversarial Network,CN-LSGAN）。提出基于CN-LSGAN与一维CNN结合雷达目标识别方法。其具体的识别步骤与（1）中类似,通过实验结果可知:CN-LSGAN不仅提高了HRRP数据的信噪比,而且还有效的解决了LSGAN的模型坍塌问题;另外相对于仅用一维CNN的目标识别方法,识别效果显著提升。（3）通过对（1）和（2）中的目标识别方法分析,可知这两种识别方法都是基于HRRP的时域特征进行识别的,这样的识别方法舍弃了HRRP数据的频域特征,理论上特征越多越有利于提升识别效果,因此在（2）中实验方法的基础上,做短时傅里叶变换（Short-time Fourier Transform,STFT）处理,提出基于CN-LSGAN、STFT和二维CNN的HRRP目标识别方法。其具体识别步骤为:首先,使用CNLSGAN对HRRP数据处理,生成与真实数据相似的生成数据,提高数据的信噪比;其次,将生成数据通过STFT处理,得到二维的时频数据;最后,将这些时频数据通过二维CNN识别,得到识别结果。实验结果表明,CN-LSGAN相对生成对抗网络（Generative Adversarial Network,GAN）和LSGAN而言,去噪效果更好,而且有效避免模型崩塌;在数据增强的基础上,采用STFT与二维CNN结合相对于一维CNN和长短期记忆网络（Long Short-term Memory Network,LSTM）两种目标识别方法,识别效果更好。