雷达高分辨距离像(HRRP)是由雷达目标各个距离单元的散射中心子回波沿雷达视线的投影叠加后的复向量的幅度构成,其反映了雷达目标的尺寸大小、几何形状等结构信息。相比于合成孔径雷达成像(SAR)和逆合成孔径雷达成像(ISAR),HRRP更易于获取和处理,已成为雷达目标识别领域内的研究热点。雷达目标识别的稳健性问题主要包括噪声稳健问题和小样本稳健问题。本论文主要围绕雷达目标稳健识别问题展开研究。论文的主要内容概括如下:1,首先针对雷达目标的噪声稳健识别展开研究。为了解决雷达目标低信噪比时的稳健识别问题,第二章提出了一种基于散射中心匹配的雷达目标噪声稳健识别方法。根据散射中心模型,可以近似重构复回波信号的强散射中心稀疏地分布在傅立叶字典上,对应噪声分量的弱散射中心则均匀的分布在傅立叶字典上。因此可以通过求解关于含噪信号的带噪声水平约束的稀疏优化问题,在含噪距离像样本上提取强散射中心实现去噪,然后进行后续识别。第二章首先介绍了基于稀疏表示的雷达目标回波去噪和散射中心提取,采用正交匹配追踪算法提取强散射中心,同时实现去噪;其次分析了稀疏表示方法在仿真数据和实测数据中的去噪性能,在超分辨基下的去噪性能好于正交基的性能;然后结合高分辨距离像识别的具体问题,提出了基于改进的Hausdorff(HD)距离的散射中心匹配识别方法,最后用实测数据实验验证了提出方法的噪声稳健识别性能。解决噪声稳健问题的另外一种方法是在复数域对高信噪比的高分辨距离像进行统计建模,然后根据测试样本的信噪比修正高信噪比的统计模型使得其适应低信噪比的测试样本。第三章从复数域建模,提出了基于相似性保持的多任务复数因子分析(MTL-CFA-SP)模型,可以对加性复高斯白噪声进行精确的建模。首先根据高信噪比的复数据学习高信噪比的统计模型,其次根据测试样本的信噪比修正高信噪比的统计模型。基于实测数据的实验表明,根据测试样本的信噪比修正复数域模型参数的方法能够较好的解决高分辨距离像的噪声稳健识别问题。。2,本文的另外一个研究内容是雷达目标的小样本识别问题。为了同时解决噪声稳健问题和小样本稳健问题,第三章提出了一种基于多任务复数因子分析(MTL-CFA)模型和基于相似性保持的多任务复数因子分析模型的高分辨距离像识别方法。首先简单介绍了因子分析(FA)模型和复数因子分析(CFA)模型,然后采用MTL-CFA模型对所有目标的各方位帧同时建模,不同方位帧共享加载矩阵,降低了需要估计参数的个数,在小样本时获得了较好的识别性能。为了进一步提高小样本情况下的识别性能,本章结合字典学习相关文献,提出了MTL-CFA-SP模型,在共享加载矩阵的同时,对因子加入了和类别信息相关的可分性约束,相同类别的因子保持原有的相关性,不同类别的因子相关性为零,使得学习后的因子具有较强的可分性。由于可分性约束的加入减小了参数的可行域,使得MTL-CFA-SP模型小样本时参数估计精度更高,从而进一步提高小样本时的识别性能。基于实测数据的识别实验显示,本章提出的MTL-CFA和MTL-CFA-SP模型较好的解决了高分辨距离像的小样本稳健问题。另外,针对非均匀采样造成的方位缺失小样本问题,本章结合转移学习的思想,对缺失方位的数据快速建模,解决了缺失方位角的在线建库问题。第四章针对雷达目标的小样本稳健识别问题,采用比FA模型参数更少的隐马尔可夫(HMM)模型对高分辨距离像进行建模。但是相关文献提出的单任务隐马尔可夫(STL-HMM-Gaussian)模型对具有非高斯特性的高分辨距离像幅度采用高斯观测概率进行描述产生了模型失配,于是考虑采用具有高度非线性描述能力更强的深度神经网络(DNN)描述高分辨距离像的观测概率。然而深度神经网络参数较多,对观测数需求大,于是第四章结合多任务学习的思想,不同方位帧的HMM模型共享状态集,提出了一种基于多任务隐马尔可夫模型和深度神经网络结合的混合模型(MTL-HMM-DNN),既提高了对高分辨距离像幅度描述能力,又减少了对样本数的需求。基于仿真数据的实验表明,MTL-HMM-DNN模型对于输出概率为非高斯的数据具有较好的描述能力。基于实测数据的实验表明,MTL-HMM-DNN模型较好地改善了小样本时高分辨距离像的识别性能。