雷达高分辨距离像（High Resolution Range Profile,HRRP）是通过宽带雷达信号获得的目标的散射子回波沿雷达视线方向上投影的相干叠加,能够反映目标电磁散射强度沿雷达视线的分布情况,包含丰富的目标物理结构信息。与合成孔径雷达成像或逆合成孔径雷达成像相比,HRRP具有更易于获取和处理的优势,已成为雷达自动目标识别领域的热点。本文围绕HRRP目标识别过程展开研究,分别从预处理阶段的姿态敏感性抑制、训练阶段的模板构建技术以及识别阶段的隐马尔可夫模型（Hidden Markov Model,HMM）分类算法改进这三个方面展开深入探讨。论文主要工作和创新之处如下:（1）针对HRRP的姿态敏感性问题,提出一种基于互信息的自适应角域划分算法。该方法用互信息作为角域划分过程的相似度衡量标准,迭代计算并合并互信息最大的两个角域。该方法在姿态干扰下较等间隔角域划分更具合理性,也克服了传统自适应划分算法中角域数量取值的不可估问题以及阈值调节的人工依赖等问题。并通过建模及仿真实验证明该方法比传统的角域划分算法具备更佳的识别效果。（2）研究HRRP训练样本模板库构建技术,提出一种基于最大信息像的模板提取方法。在传统的模板提取中,往往会在生成平均距离像的过程中丢失大量HRRP的细节信息,导致分类性能受限。最大信息像通过计算角域内所有训练样本的信息量,使用最大信息像作为角域模板。该方法能够保留更多角域内的特征信息,可为分类器提供更丰富的细节信息,从而提高分类识别性能。最后通过建模及仿真实验证明基于最大信息像的模板提取能够保留大量特征信息,在识别率方面优于基于平均距离像的模板提取方法。（3）研究用于目标识别的HRRP统计模型表征技术,提出了一种公共初始HMM的构建方法。传统HMM作为统计模型描述HRRP数据时,有以下局限性:使用高斯分布的观测概率矩阵描述非线性的HRRP数据,描述能力不强;训练阶段各角域独立生成初始HMM,计算量较大。因此,本文提出一种公共初始HMM的建模方法,使用HMM描述HRRP数据时,对所有HRRP样本进行学习,建立一个公共初始观概率矩阵,使HMM对HRRP数据的描述更加合理,同时降低训练阶段计算量。最后通过建模及仿真实验证明了该方法的有效性。