现代化战争的发展趋势是信息化和智能化。作为现代战争的重要装备,雷达的作用已经不只是提供目标的空间位置,而是需要通过回波信号获取目标更加详尽的信息。雷达自动目标识别技术可以获取目标的属性、类别甚至型号等信息,因此受到了各国的广泛关注。高分辨距离像(HRRP)包含了目标大小和散射体分布等结构信息,且容易获取和处理,因此被广泛应用于雷达自动目标识别领域。目标的高分辨距离像会因其外形的变化而发生改变。在战场上,由于作战任务的不同,目标的配置会进行调整,相应地,其外形会发生变化,通常称这类目标为变体目标。形变后的目标与识别数据库内同型号目标的高分辨距离像存在结构失配的问题,将会导致识别性能明显下降。针对此类变体目标识别问题,本文开展了研究,主要工作内容概括如下:(1)通过电磁计算仿真分析目标形变前后的HRRP,发现目标形变前后的HRRP依然具有相似性,且发生变化的变体分量具有结构化稀疏性质。然后对变体目标信号进行建模,将变体目标信号看成是原始目标信号与变体分量的和。据此提出采用两种思路实现对变体目标的稳健识别。一种是估计并去除掉变体目标回波中的变体分量,重构出目标未形变时的回波再进行识别。另一种是设计对变体分量稳健的分类器进行端到端的识别。(2)在去除变体分量恢复出原始目标信号进行识别方面,提出了两种识别方法。一是基于长短期记忆(LSTM)网络的变体目标重构识别方法,该方法中将原始目标HRRP由特定字典矩阵的稀疏系数进行表示,同时采用LSTM网络对变体分量进行结构化稀疏建模,由此建立了变体目标HRRP模型。针对模型求解,提出了一种交替迭代算法,首先固定变体分量,利用正交匹配追踪算法估计原始目标的HRRP的稀疏表示;其次固定原始目标的HRRP,利用LSTM网络捕获变体分量中非零元素的相关性,并通过最小二乘方式估计变体分量。在算法收敛后,利用得到的原始目标HRRP进行识别。二是利用目标形变前后的HRRP作为训练样本训练深度网络,利用深度网络强大的非线性映射能力,去除变体分量,恢复出原始目标HRRP进行识别。仿真实验结果表明,这两种方法都能够较为准确地重构出原始目标信号,提升了对变体目标的识别性能。(3)在设计对变体分量稳健的分类器进行端到端识别方面,利用目标形变前后的样本联合训练深度网络,从样本中提取对变体分量稳健的分类特征,然后对变体目标进行端到端识别。实验结果表明,网络所提特征的空间分布情况随目标形变的变化较小,具有良好的稳健性,使用深度网络对变体目标端到端识别的平均正确识别率较其它重构识别方法有了进一步的提升。本文所提方法能够有效降低变体分量对识别性能的影响,解决变体目标与库内同型号目标的高分辨距离像存在结构失配导致识别性能明显下降的问题,能有效提高变体目标的识别性能。