高分辨距离像(HRRP)是宽带雷达获取的目标各散射中心沿雷达视线方向的回波向量和，反映了目标散射点沿距离上的分布情况，是目标识别中重要的结构特征，在雷达目标识别领域一直受到广泛的关注。核方法是近十几年机器学习领域内的研究热点，对于处理非线性问题具有高效性。由于HRRP目标识别中目标之间往往表现出较为复杂的非线性关系，因此，近几年核方法被逐步应用于HRRP目标识别，表现出了强大的优势。本文针对HRRP目标识别，围绕着雷达目标识别中的两大基本问题——特征提取和分类器设计，从基于核方法的HRRP特征提取、核分类器设计以及基于核方法的HRRP在线识别三个方面展开了深入的研究。研究内容主要包括四大部分：1.研究了HRRP的非线性特征提取问题。首先，明确了线性判别分析(LDA)和局部均值判别分析(LMDA)本质上均属于线性特征提取算法，难以获取目标的非线性特征，不能有效地描述目标之间的非线性关系。其次，由于目标HRRP之间往往表现出较为复杂的非线性关系，LMDA在复杂HRRP目标识别中难以获得良好的效果，为此本文利用核方法在处理非线性问题方面的高效性，提出了核局部均值判别分析(KLMDA)算法。测试结果表明，该算法与传统线性、非线性特征提取方法相比，有效增强了目标之间的可分性，提高了目标识别性能。2.针对雷达目标识别领域目标类样本充分、非目标类样本多样化的两类分类问题展开研究，主要工作包括以下两方面。1)通过分析HRRP在支持向量数据描述(SVDD)超球空间中的分布特性，从理论上明确了若直接使用训练超球半径进行分类，SVDD将无法获得最优泛化性能；针对该问题，定义了二次训练的概念，使用接收机工作特性(ROC)曲线选择最优超球半径，提出了基于SVDD的雷达HRRP分类方法(简称常规SVDD分类方法)。2)针对常规SVDD分类方法抗噪性能差的问题，利用两类目标概率密度分布随信噪比的变化关系分析了主要原因，建立了最优超球半径与信噪比之间的自适应超球半径模型，提出了基于自适应SVDD的雷达高分辨距离像分类方法，大大提高低信噪比下的目标分类性能。3.对雷达高分辨距离像多目标识别的识别算法设计问题展开研究。首先，通过将SVDD超球空间划分为内空间和延拓空间，分析了内空间和延拓空间样本对目标的不同归属特性和单空间SVDD识别方法的不足。其次，为了能够充分利用延拓样本的分布信息，将先验样本分为模型训练样本和泛化样本，分别使用三种模型对延拓空间样本分布进行建模，从而描述了延拓样本与目标的隶属度关系；根据测试样本在所有目标SVDD超球空间的分布特性，将测试样本定义为松弛样本和紧缩样本，使用不同的判别方式进行识别，提出了基于双空间SVDD的雷达高分辨距离像识别方法。与以往的单空间SVDD识别方法相比，该方法只要延拓样本分布模型选择适当，能够显著提高目标的识别性能。4.针对雷达目标识别对在线识别的重要需求，研究了小规模训练样本条件下的HRRP在线识别问题，主要工作有三个方面。1)通过分析SVDD对增量样本的泛化性能，获得了一系列重要的结论和定理，从理论上证明了增量学习机理在SVDD上的可行性。2)针对SVDD的在线学习问题，从理论上给出了增量支持向量数据描述(ISVDD)算法样本系数变化的依据，深入分析了在线增量样本与已有样本的集合划分问题，提出一种适于在线学习的ISVDD算法。3)在雷达目标识别的工程应用中，往往存在着不完整的数据库，因此边录取、边学习、边建模成为目前雷达目标在线识别的一种主要方式。针对小规模训练样本条件下的HRRP在线识别问题，提出了基于ISVDD的HRRP在线识别方法。相比于标准SVDD在线识别方法，由于ISVDD在在线识别中的应用，该方法能够大大减少增量样本的训练时间，而且能够获得良好的识别效果。同时，它避免了对大规模HHRP训练样本集的需求。