雷达目标高分辨率距离像(High Resolution Range Profile,HRRP)提供了目标沿雷达视线方向上的散射点分布状况,反映了目标的形状、大小、结构等信息,并且因其成像简单易于获取、数据量小、运算复杂度低等优势成为雷达目标识别领域的研究热点。本文研究了基于深度学习算法的雷达目标高分辨率距离像识别技术。首先研究了基于深层神经网络(Deep Neural Networks,DNN)的HRRP目标识别方法。针对反向传播(Back Propagation,BP)算法训练深层神经网络存在误差信号逐层衰减,容易过拟合的问题,研究了通过无监督预训练算法改进深层神经网络训练过程的方法,该方法使用受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)和稀疏自编码器(Sparse AutoEncoder,SAE)逐层预训练初始化网络参数来代替传统的随机初始化方法。在四类飞机HRRP识别实验中,预训练算法改进后的深层神经网络识别性能明显优于随机初始化的网络,平均识别率提升13%。在两种预训练算法中,基于稀疏自编码器方法改进的网络识别性能要优于受限玻尔兹曼机方法。然后研究了基于卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent Neural Networks,RNN)的HRRP识别。结合卷积神经网络和循环神经网络构建基于CNN-RNN的HRRP分组识别方法,该方法利用了卷积神经网络的自主特征提取能力和循环神经网络处理相邻时间输入数据之间相关性的特点,能够联合同一目标不同姿态角下的多个HRRP序列进行识别,在四类飞机目标HRRP识别仿真实验中,CNN-RNN模型的平均识别准确率达到了 99.4%。最后针对雷达目标高分辨率距离像的姿态敏感性问题,研究了基于隐马尔科夫模型(Hidden Markov Models,HMM)的HRRP识别。利用稀疏自编码器构建深层神经网络对HRRP进行降维提取特征,并将其送入HMM中进行分类。通过仿真实验对比了深层神经网络和隐马尔科夫模型的识别性能,并研究了 HMM模型参数对识别性能的影响。