雷达目标分类识别是雷达信息处理领域的重要研究方向,无论是在军事领域还是民用领域都具有广泛的需求。现有基于雷达目标回波特征提取的分类识别方法多采用人工提取单一维度特征或融合特征,主要依靠主观因素且并未利用目标回波的全部信息,在复杂杂波环境下及低信噪比条件下识别率低,难以满足用户需求。此外,另一类基于雷达成像的分类识别方法存在原始目标部分信息损失、流程复杂,且对雷达装备有特殊要求、成本高不利于实现的不足。针对上述问题,本文利用雷达原始回波的完整高分辨多普勒实测数据,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的雷达目标分类识别方法,并在通用计算机平台上设计了基于Python的目标分类识别软件模块,实现了人车目标的自动分类识别。具体工作如下:首先,利用完整高分辨多普勒实测数据构建了一维CNN模型,根据前期试验给出了网络结构和初始参数配置。然后开展了不同激活函数、不同优化器、不同网络层数和不同卷积核大小对所提CNN模型识别性能影响的实验,通过分析各因素对网络模型训练的准确率和损失值的影响,对CNN模型进行了优化与调整。仿真验证结果表明,与现有分类器相比,本文所设计的CNN能够从高分辨多普勒数据中学习到有用的特征,在人车目标的分类识别中取得了较高的准确率。在上述研究的基础上,根据实际应用场景的需求,设计了一种基于CNN的雷达目标分类识别器的工程实现方案。首先明确了雷达目标分类识别软件模块在整个雷达系统平台中的位置和作用,对雷达目标分类识别模块的软件框架设计思路和具体实现流程都进行了详细的阐述。其次搭建了基于通用计算机平台的雷达目标分类识别器的多任务软件框架,包含报文数据驱动、数据消息的收发过程、数据的序列化和反序列化处理、数据分类识别处理及输出结果的过程,实现了在线目标分类识别软件模块。仿真验证和工程软件实现表明,本文所设计的基于CNN模型的雷达目标分类识别器具有完全的可行性和较高的识别性能,能够为后续雷达装备应用实用化的目标分类识别功能提供支撑。