宽带雷达通过主动探测可获取反映目标对象结构信息的高分辨距离像（HRRP）。由于HRRP中不仅蕴含了充裕的目标结构信息,而且具备易处理、数据量小等特点,非常适用于雷达目标识别场景中,因此成为了雷达识别领域的热门研究对象。本文分析了过去的HRRP识别方法在非合作目标场景下存在的不足,并基于此提出了一种基于自监督胶囊网络的非合作目标雷达一维距离像的识别方法,具体内容如下:（1）首先分析了HRRP受雷达和外部环境影响而存在的敏感性问题,并通过一定的处理手段为后续模型提供更稳定的数据输入;其次,选取了几类具有代表性的传统识别方法和深度学习识别方法作为经典案例,用于后续的实验对比分析。（2）针对过去HRRP识别方法存在的问题,提出了一种基于多尺度卷积胶囊网络（Conv-Caps Net）的雷达HRRP识别方法。该方法首先利用卷积神经网络的特性构建了多角度捕捉位置信息的多尺度卷积模块,其次在建模的过程中采用了泛化能力较强的胶囊网络,以避免卷积神经网络（CNN）无法体现HRRP序列结构信息的缺陷。基于实测HRRP数据集的实验表明基于多尺度卷积胶囊网络的识别方法较过去方法具备较优的识别性能。（3）从无监督预训练的视角出发引入对比学习以获得表征能力和迁移性较强的HRRP特征,并以此构建了基于自监督胶囊网络（Sim Siam-Caps Net）的雷达HRRP识别方法。该方法首先通过数据处理以增加源域HRRP样本的多样性,然后利用对比学习方法预训练获取实测HRRP数据的通用特征,该特征可应用于不同的下游任务构成通用的识别模型,最后构建整体模型并通过实验证明了该方法的优越性。（4）在自监督胶囊网络的基础上,通过优化胶囊构建和路由算法机制提出了更轻量更快的高效自监督胶囊网络（Efficient-Siam Caps Net）模型对HRRP进行识别,使雷达HRRP识别方法可更好部署在计算能力不强的边缘端装备中。该方法首先在获取的通用特征基础上结合通道与空间的特征信息,增强了HRRP包络特征的多样性;其次,利用深度可分离卷积构建更高质量的基础胶囊,并在这一过程中减少了参数量;最后,通过引入自注意力路由机制降低了无效信息对分类的影响。基于实测数据的实验表明所提方法具备优秀的识别能力和良好的工程实用价值。（5）本文基于嵌入式设备和ONNX Runtime推理引擎构建了一种适用于雷达HRRP识别的应用框架,用雷达传感器模拟信号采集过程,并在不同样本条件下,验证了本文所提HRRP识别方法的工程可行性。该研究为日后雷达目标识别在实际工程中的应用奠定了基础。