随着深度学习的快速发展,基于深度神经网络的雷达高分辨距离像（High Resolution Response Profile,HRRP）识别算法在雷达自动目标识别任务中取得了较好的成果。由于HRRP信号存在较大的姿态敏感性,此类基于深度学习的雷达目标识别模型,往往需要较充足的全姿态HRRP数据作为训练样本,而在实际应用中,经常存在着非配合目标数据缺失,无法捕捉目标全姿态样本的现象,继而导致由数据驱动的深度网络在此类任务中性能急剧下降。为了缓解HRRP数据的姿态敏感性,以及数据缺失带来的模型性能下降等问题,目前已有方案从数据层面缓解小样本问题,即利用生成对抗网络（Generative Adversarial Network,GAN）进行数据增扩,但已有生成方案的特征来源较单一,导致生成数据多样性较少。本文将在已有研究基础上,增加生成方案的数据来源,引入真实目标对应的仿真数据,提出基于特征解耦的HRRP生成式增扩方案,从而达到拓展生成数据特征空间、从而提高小样本识别任务性能的目的。本文的主要研究内容及创新点有:第一,在已有的针对小样本HRRP的增扩方案基础上,首次引入仿真数据进行辅助训练,通过特征转换等方式从仿真数据中生成真实域的样本;第二,本文借鉴了当前较常用的图像翻译模型,将其应用在HRRP的数据增扩任务中,并且进一步展开了对模型的改进研究,针对雷达数据的特点和应用需求对生成方案做改进,一定程度上缓解了小样本识别困难问题;第三,根据已有模型的实验情况,本文提出了基于特征解耦的雷达数据生成算法,将仿真数据完备的姿态信息和真实数据融合,为生成数据引入更多的姿态信息。通过大量在真实和仿真数据集上的实验证明,本文所提方案在真实数据集和仿真数据集的小样本HRRP的增扩任务中性能最优,进一步提升了已有深度识别模型在数据缺失情况下的识别性能。