雷达自动目标识别技术是近程探测和精确制导等应用的关键技术之一,在军事和民用领域中拥有巨大的应用价值。高分辨距离像是目标散射点在雷达视线方向上的径向分布,含有丰富的目标特征信息,具有获取时间短,信号处理简单等优点,是一种常用的目标识别信号。毫米波雷达能够实现大带宽的发射信号,距离分辨率更高,距离像中包含的目标特征更丰富,更利于实现对目标的识别。然而,受雷达参数、目标位置和姿态、环境以及天气等因素的影响,距离像呈现出高度的非线性,使用传统的线性特征提取方法进行距离像识别,不能得到满意的结果。核函数是一种通过非线性映射将样本空间中线性不可分的样本映射到高维特征空间以达到线性可分的方法,在处理非线性的分类问题时优势明显。流形学习是一种有效的非线性特征提取方法,能够在高维非线性空间中发现数据集的内在低维嵌入。论文针对三种地面目标的毫米波距离像识别问题,从距离像的非线性特征入手,在距离像的特征提取、稀疏识别、聚类目标函数设计和去除硬件过采样冗余等四个方面展开了研究工作,主要研究内容如下:针对距离像的方位敏感特性,从提高字典学习效率和稀疏识别的角度研究了距离像的识别问题,提出了快速字典学习的距离像分段稀疏识别方法。利用距离像在相邻方位角范围内,呈现高相关性的特点,对原子的有效性和相关性进行了限定,对字典学习时原子的更新方式进行了改进,提高了字典学习的效率。根据距离像中有用信息只占部分特征维数的特点,对距离像进行分段,按照各段中距离高分辨单元的数量和能量,计算重构误差权重。在对各段分别进行稀疏表示的基础上,依据分段加权重构误差和最小的原则,给出样本的类别标签。研究了距离像的非线性特征提取问题,提出了基于监督判别稀疏保持嵌入的特征提取算法和基于半监督核自适应边界费希尔分析的特征提取算法。针对距离像呈现出的非线性,在流形学习的基础上,根据目标函数之间的相似性,对三种算法的目标函数进行融合,提出了监督判别稀疏保持嵌入的特征提取算法。所提算法既具有处理非线性问题的能力,又能对样本的局部结构、全局结构和稀疏重构关系进行有效的保持。半监督核自适应边界费希尔分析的特征提取算法,主要通过在边界费希尔分析算法中引入核函数,利用核空间中样本间的相似性关系,自适应决定各样本的散度计算权重,并采用同时对类间散度和类内散度进行约束的方法,来处理距离像的非线性特征提取问题,有效地解决了保持数据集几何结构与提取样本非线性特征之间的矛盾。针对距离像的非线性和非凸分布时产生的混合重叠聚类以及聚类准确率下降问题,从聚类目标函数设计的角度研究了距离像的识别问题,提出基于线性判别核模糊c均值聚类的距离像识别算法。算法利用核函数将样本映射到高维特征空间,解决了距离像的非线性特征提取问题,算法的目标函数同时对样本的模糊簇内散度和模糊簇间散度进行约束,避免了样本分布非凸时混叠聚类的产生。给出了基于分部目标函数混合优化的核参数最优选取方法和基于模糊决策理论的模糊系数最优选取方法。在实际工程应用中,针对去除过采样冗余时距离像选大起点的选取问题,提出一种基于全局峰值搜索逆向门限选大的距离像去冗余方法。通过确定二维高分辨矩阵中峰值的位置,逆向推算出最佳的选大起点,然后利用选大法进行目标抽取,得到无冗余的距离像,为后续距离像识别奠定了基础。