随着现代战争信息化和智能化水平的提高，军方对雷达自动目标识别的需求愈加迫切。与窄带雷达相比，宽带雷达有着更高的距离分辨率，能够提供更多的目标结构信息，因此基于宽带雷达信号的目标识别受到广泛关注。常用的宽带信号有高分辨距离像(HRRP)和合成孔径雷达像(包括SAR和ISAR像)两类，与后者相比，HRRP具有易于获取和处理简单等优势，逐渐成为目标识别领域的研究热点。本论文主要围绕国防预研等相关项目，结合雷达HRRP目标识别的理论与工程应用背景，从特征提取、统计建模以及噪声稳健识别等方面展开相关研究。论文的主要工作概括如下：1.分析了HRRP的方位敏感性，阐明了对HRRP样本分帧建模的原因，并提出了一种基于子空间模型和Kullback-Leibler距离的子帧合并分帧方法。实验结果表明，该方法能够按照目标姿态的变化将相似分布的样本划分到同一帧中。因此，该方法不但降低了各类目标的总帧数而且提高了系统的识别性能。2.研究了噪声背景下的识别问题。许多工作都假设训练和测试样本具有很高的信噪比，在识别中忽略了噪声的影响。但在实际战场条件下，目标回波中总是不可避免地含有噪声，而训练与测试样本间信噪比的失配会使识别性能恶化。我们回顾了已有的噪声稳健识别方法，指出了它们的优势与不足。然后提出了一种新的噪声稳健识别思路，即向训练样本中加入噪声来学习各种信噪比下的模板，并在测试阶段选择相应信噪比下的模板进行匹配。实验结果表明这种方法能够避免训练与测试样本间信噪比的失配，改善了系统在低信噪比条件下的识别性能。3.研究了HRRP识别中的特征提取问题。原始的HRRP数据具有较高的维度和较多的敏感性，给识别工作带来了不便。我们分析了HRRP频谱幅度的统计特性，提出使用自回归模型对频谱幅度的广义平稳性建模，并提取自回归系数和偏相关系数作为识别特征。这两种特征维度较低，同时具有平移和强度不变性，而且保留了频谱幅度的结构信息。此外，为了克服HRRP的方位敏感性，我们提出了一种基于混合高斯模型的自适应分帧算法。该算法不但可以自动确定总帧数，而且能够保证各帧内样本统计特性一致，避免了样本与模型失配。4.研究了小样本识别问题。HRRP具有较高维度，而实际获取的样本数量又很有限，因此HRRP识别是一个典型的小样本学习问题。我们提出使用HRRP频谱幅度(以下简称频幅)作为识别特征，并沿频率维对其序列建模。这种建模方式将频幅视为一维的序列数据，从而既达到了降维的目的，又避免了传统降维方法中的信息损失。我们首先假设频幅分量服从高斯分布，采用线性动态模型对频幅序列建模。该模型能够描述频幅序列的广义平稳性，具有较好的识别性能。之后我们进一步分析了频幅分量的统计特性，认为其服从多模分布，于是采用混合自回归模型对频幅序列建模。由于该模型更加准确地描述了频幅的统计特性，因此其识别性能进一步提高。以上序列模型自由度都很低，而且使用一个样本就能估计它们所有的参数，这些性质使得它们能够在小样本条件下具有良好性能。5.研究了统计建模与模型选择的问题。HRRP服从联合非高斯分布，且样本间有较强的时序相关性。我们提出使用局部因子分析模型对HRRP的非高斯性和维间相关性建模，使用时序因子分析模型对HRRP的子空间结构和时序相关性建模。这二者对HRRP统计特性描述地更加准确，所以识别性能较传统模型有明显特高。另外传统的模型选择方法存在着计算量大、模型选择准则评估不可靠的问题。为此，我们采用Bayesian Ying-Yang (BYY)和谐学习理论进行模型学习，它能够在估计参数的同时自动完成模型选择。与传统方法相比，BYY学习显著降低了计算量，并提高了参数估计和模型选择的精度。6.研究了复HRRP识别问题。我们分析了初相对复HRRP统计特性的影响，指出初相变化并不影响复HRRP的统计分布，进而提出采用复数因子分析(CFA)模型对复HRRP统计建模。由于利用了复HRRP中的相位信息，CFA模型的识别性能要优于FA模型。另外，我们同时提出一种针对CFA模型的噪声自适应修正算法。在复HRRP识别中，含噪测试样本内的噪声完全为加性噪声，修正模型参数时将不存在实HRRP识别中的模型-数据失配问题，因此该算法会有更好的噪声稳健性。