雷达一维高分辨距离像（High Resolution Range Profile,HRRP）可反映目标的尺寸、结构等重要信息,并具有数据量小、易于获取和处理的优势,近年来逐渐成为雷达自动目标识别（Radar Automatic Target Recognition,RATR）领域的研究热点。传统基于HRRP的雷达目标识别方法大多简单将雷达信号作为一个统一的整体包络看待,忽略了HRRP内部蕴含的反映雷达目标内部固有物理结构特性的时序相关性。在基于实测数据的实验中我们发现该做法不仅限制了模型的识别准确率和泛化性能,而且当训练数据样本数量较少时,更容易出现识别性能骤降等情况,不利于算法的实际工程应用。为了改善过去方法的缺陷,本文从HRRP内部潜在的时序相关性出发,提出了新的深度学习方法用于HRRP目标识别,其主要内容可概述如下:（1）设计了统一数据预处理流程来改善HRRP数据的各类敏感性以降低后续分类器的设计难度。同时,分析了几类典型的HRRP识别方法的原理和实现流程,一方面展示了本目标识别领域的算法流程框架,另一方面为后文的对比实验做了铺垫。（2）提出了一种基于时间卷积网络（Temporal Convolutional Neural Network,TCN）和多层次注意力机制的HRRP雷达目标识别模型。该模型首先通过TCN提取HRRP的局部特征来避免传统循环神经网络中的数据预处理过程中的序列切分导致获取的输入序列高度冗余的问题;然后,在TCN的基础上,构建堆叠残差模块以进一步学习局部特征之间的序列性相关性;最后,在模型的后端引入多层次注意力机制来自适应提高识别性能。基于实测数据的实验表明了TCN和多层次注意力机制的有效性以及该模型在识别性能上相比过去方法的优越性。（3）本文基于多尺度卷积（Multi-scale Convolutional Neural Network,MCNN）、SE模块和Transformer编码器提出了MCNN-Transformer模型。该模型首先利用多尺度卷积模块提取HRRP的多层次空间结构特征,并通过SE层自动调整各通道权重以凸显可分性较强的通道,得到能够反映HRRP目标局部空间结构的特征用于后续网络输入;然后,通过Transformer编码器来对HRRP特征进行时序性建模,捕捉HRRP样本局部特征内部的双向关联性及它和全局特征的长程依赖关系;最后,在Transformer编码器的后端引入注意力机制,进一步突出了可分性较强的特征便于后续分类。相比前文所提的基于TCN的HRRP识别模型,该方法在序列建模的时候不仅考虑了序列时序的双向关联性,并且建立了局部和全局特征的长程依赖关系,得到了较优的识别效果。（4）在之前的基础上,本文进一步引入对比学习框架提出Transformer-TCN模型。首先,对比学习框架可拉近同类别HRRP样本在特征空间的距离并拉远不同类别HRRP样本的距离,得到可分性更强的特征用于识别,提高模型的特征提取能力;并且,在模型中通过引入新的损失函数来控制特征分布以达到更好的识别效果。基于实测数据的实验表明对比学习框架提取的特征具有极强的内聚性,应用该特征可以进一步提高模型的识别准确率。（5）本文基于Jetson Xavier NX板卡,实现了一套适用于HRRP目标识别的硬件框架,并通过此框架验证了本文所提模型的实时性和噪声稳健性,实现了深度学习算法在小型边缘设备上的搭载,为日后的雷达硬件部署提供了一些参考。最后,基于3类飞机HRRP实测数据集的实验结果验证了本文所提的各类方法相比过去的深度学习方法以及统计识别方法,不仅在数据集相对完备的条件下拥有更优的识别性能,而且在训练样本较少的极端情况下也表现得更加鲁棒;并且我们在真实的边缘计算硬件端验证了本文所提算法的可实现性,为算法未来的实际应用奠定了坚实的基础。