由于高分辨距离像（HRRP）易于获取和存储,基于高分辨距离像的目标识别研究成为雷达目标识别领域的热点。本文围绕基于高分辨距离像的目标识别展开研究,主要贡献在于提出了可学习先验卷积变分自编码机和解耦表征卷积变分自编码机。二者在原始变分自编码机的基础上融入类别标签监督信息,以此更加有效的提取高分辨距离像特征。本论文的内容主要包括以下部分:1.研究了高分辨距离像目标识别的基本框架。具体对高分辨距离像的敏感性预处理方法、目标特征提取方法和分类器设计三部分进行详细介绍。在高分辨距离像的敏感性预处理方法部分,主要介绍了敏感性问题及其对应的解决方法。在目标特征提取方法部分,介绍几种浅层特征提取方法和深度网络特征提取方法,并重点介绍了变分自编码机模型（VAE）。在分类器设计部分,详细介绍了支持向量机模型（SVM）。2.研究了基于可学习先验卷积变分自编码机的雷达自动目标识别方法。首先介绍了卷积神经网络（CNN）,重点介绍CNN的相关组件及其应用。其次,针对变分自编码机建模过程的不足,提出了可学习先验卷积变分自编码机这一种监督变分自编码机模型。并详细介绍了模型的设计动机,探讨了概率函数的推导过程,损失函数的设计缘由,网络的构建方法及模型的训练步骤。最后利用实测数据进行了实验。3.研究了基于解耦表征卷积变分自编码机的雷达自动目标识别方法。该模型也是一种基于监督学习的变分自编码机模型,该模型不仅能兼顾各类表征间的联系,使得表征更为合理,也能提取可分性更高的特征。其在原有的变分自编码机模型基础上,对类间共性表征和各类特性表征分别建模。对类间共性表征,模型采用类似原始变分自编码机的隐表征建模方式,对于各类特性表征,模型采用类似可学习先验卷积变分自编码机模型的隐表征建模方式,并采用变分下界进行优化,使各类特性表征有更强的可分性。除此之外,该模型结合了CNN的优势,能更好的提取数据的特征。本章的最后,通过实测数据,验证了模型的有效性。