雷达高分辨距离像（High Resolution Range Profile:HRRP）是宽带雷达信号脉冲压缩后所得目标散射点子回波在雷达视线方向上投影的矢量和,由于其包含了目标尺寸、结构、散射点分布等重要信息,并具有易于获取、存储量低等优势,已成为雷达自动目标识别（Radar Automatic Target Recognition:RATR）领域的研究热点。对于HRRP目标识别,如何从目标样本中提取有效特征是提高识别准确性的关键所在。本文针对HRRP特性,开展了基于HRRP的目标特征提取与识别方法研究,主要研究内容包括:1.研究了基于循环神经网络的HRRP目标识别方法。考虑到HRRP数据中各距离单元间存在相关性,通过滑窗处理将预处理后的HRRP转化为序列形式,进而使用循环神经网络对其进行建模以提取内部结构特征及相关性,利用最后一个时间步的隐层激活作为最终识别特征并经过softmax分类器给出目标类别标签。最后采用实测数据对所提模型的有效性进行验证,并对模型关键参数选择进行讨论。实验结果表明,与两种常用目标识别方法相比,循环神经网络所提特征可分性更强,识别性能更优。2.研究了基于注意力机制的HRRP目标识别方法。考虑到HRRP数据中不同区域的可分性差异,借助注意力机制区分样本不同区域对识别贡献程度的高低并充分利用各区域信息进行识别。具体提出两种模型,第一种采用软注意力对循环神经网络各时刻的隐层激活进行加权求和,从而聚合序列形式HRRP所有数据段的特征;第二种模型通过自注意力与多层感知器的多次运算表示各数据段间的相关性与可分性,使网络侧重于包含较多可辨别信息的数据段,从而给出更准确的识别结果。最后,采用实测数据集进行实验并讨论了模型中关键参数的取值,实验识别率和注意力分布的可视化结果表明,注意力机制有助于提升网络特征提取能力,从而达到更好的识别性能。3.研究了基于生成对抗网络的HRRP降噪与目标识别一体化方法。考虑到实际场景采集的HRRP包含噪声,影响识别准确性,利用生成对抗网络对低信噪比HRRP进行降噪,进而通过基于自注意力的识别模型得到目标识别结果。为了在降噪过程中保留对识别有用的特征,所提模型利用耦合的损失函数将降噪过程与识别过程有机结合,同时通过端到端训练实现降噪识别一体化。最后,构建出三种信噪比环境的数据集进行实验,结果表明,所提模型在低信噪比环境下具有较好的降噪效果与识别性能,同时耦合的损失函数能够在一定程度上保证识别特征的完整性。