雷达目标识别任务中受到战场环境中噪声、杂波的干扰,识别目标非合作以及反侦察技术的应用,难以获得目标完备、高质量的数据用以目标识别。高分辨距离像（High Resolution Range Profile,HRRP）作为目标识别重要手段之一,在实际工程中有着广泛地应用。但是HRRP存在姿态敏感性、幅度敏感性和平移敏感性的问题,对目标识别算法的设计和训练样本数量提出了挑战。这些问题都导致了HRRP目标识别过程中,训练样本的数量与识别模型的复杂度不匹配,难以满足模型训练的需求,出现小样本问题。针对雷达小样本目标识别技术的研究,本文将将其分解成雷达目标识别算法设计和基于数据增强技术解决小样本问题两个部分,并在实验室提供的HRRP实测数据集上展开算法验证。首先,针对HRRP的目标识别任务,本文提出在卷积神经网络中添加自注意力层,在利用卷积神经网络提取HRRP中目标具有识别分辨性特征的同时,利用自注意力机制引导识别模型在训练过程中关注目标区域的特征提取,提高模型的鲁棒性和识别性能。对于小样本问题,本文从数据驱动的角度出发,基于生成对抗网络和镜像翻转的数据增强方法,提出了融合的数据增强方案,通过训练生成对抗网络使其生成器拟合真实样本的分布情况,并将输入的随机噪声生成逼近这一分布的样本,然后结合镜像翻转的传统数据增强方法,使得增强算法能够丰富样本的多样性,平衡样本分布情况,扩大样本在特征空间的分布范围,有利于提高目标识别算法的性能。经过实验验证,基于自注意力机制的卷积神经网络模型能够有效松弛HRRP平移敏感性对目标识别性能的影响;而融合数据增强方案能够保证在一定的小样本范围内有效地提高目标识别的准确率。通过将深度学习中卷积神经网络和生成对抗网络的模型应用到雷达小样本目标识别技术的研究中,提高了目标识别的性能,缓解了小样本问题对识别准确率的影响,为后续的研究提供了思路和参考。