现代战争对雷达目标识别提出了更高的要求,由于现役雷达大部分是低分辨雷达,对其开展目标识别技术的研究具有重要军事意义。在小样本、样本不均衡等复杂电磁环境条件下,传统低分辨雷达目标识别方法存在泛化性较差、识别率较低等问题。本文围绕深度学习方法对低分辨雷达目标识别技术开展研究,主要研究内容如下:传统低分辨雷达目标识别技术采用先提取信号特征,再基于特征进行识别的两步识别方法。论文首先研究了基于深度学习的低分辨雷达目标识别技术,提出了基于卷积神经网络（Convolutional Neural Networks,CNN）的低分辨雷达目标一步识别方法,直接将采样数据作为输入,利用CNN自动提取数据深层本质特征,实现对雷达目标的一步识别。其次,针对小样本条件下雷达目标识别率较低的问题,提出了基于加权辅助分类生成对抗网络（Weighted Auxiliary Classifier Generative Adversarial Networks,WACGAN）的雷达目标识别算法,该算法利用WACGAN产生并自动选择高质量的生成样本训练判别网络,使判别器能够挖掘数据更深层特征,选择更好的分类面,提高一步识别方法在小样本条件下的识别效果。然后,针对样本不均衡条件下雷达目标识别率下降问题,提出了基于分段损失函数的雷达目标识别算法。该算法通过分段损失函数,使CNN能够针对不同的训练时期采用合适的损失函数训练网络,解决样本不均衡带来的识别率下降问题。最后,针对雷达目标识别中无标签样本利用问题,提出了基于生成对抗网络的半监督雷达目标识别算法。该算法基于半监督生成对抗网络（semi-supervised GAN,SGAN）模型,使用CNN作为判别器,通过无标签样本与生成样本的对抗学习,在标签样本监督学习的基础上进一步提高了CNN识别效果。