高分辨一维距离像由于其易于采集并且包含目标的尺寸大小、散射中心分布等判别特征而被广泛应用于雷达目标识别领域,然而传统的一维距离像识别算法存在诸多问题。首先,传统的识别方法大多只利用单幅一维像进行识别,鲜有将一维距离像转化为序列目标进行识别,这使得一维距离像序列相邻帧之间存在的时空相关性没有被利用到,造成信息的损失。其次,由于HRRP具有姿态敏感性,传统方法很难提取到稳健的特征。最后,传统方法在低信噪比环境下的识别性能受限,无法适应雷达工作的实际环境。近年来,在大数据背景下,以“深度学习”为主的雷达目标识别方法取得了巨大的成功。相比于传统方法,深度学习能够更有效的利用大量的训练数据,直接从HRRP数据中学习得到更高层次的特征表达。本文针对这三个一维距离像识别领域存在的问题,研究基于时序受限玻尔兹曼机的一维距离像序列识别方法,为雷达目标识别提供了新的思路。第一章为绪论,阐述了本文的研究背景与意义,概括了当前目标识别的主要研究方法和进展,分析了基于HRRP的目标特征提取与目标识别以及基于HRRP的分类算法的主要类型,指出了各方法的优势和不足。最后简要回顾了受限玻尔兹曼机模型及其在目标识别等相关问题中的应用现状。指出了受限玻尔兹曼在序列目标识别上的潜在优势,为课题的研究指明了方向。第二章基于时序受限玻尔兹曼机模型研究了HRRP序列识别方法。针对传统的识别方法不能有效利用序列信息的问题,本章将一维距离像序列视为距离单元上的一维序列数据直接作为输入进行识别任务,将时序受限玻尔兹曼机模型应用到一维距离像序列识别任务中,有效利用了一维距离像序列相邻帧之间的时空相关性特征。第三章基于RTRBM模型研究了高维数据背景下的HRRP序列识别方法。为解决TRBM模型复杂,计算量大的问题,本章将递归时序受限玻尔兹曼机模型应用到一维距离像序列识别中,其性能优于TRBM模型,取得了更高的识别率,这是由于递归时序受限玻尔兹曼机模型当前时刻的状态只与前一个时刻的状态有关,因此模型计算量得以减少。第四章基于ARTRBM模型研究了低信噪比环境下的HRRP序列识别方法。针对传统方法难以处理高维数据和低信噪比数据的问题,本章将注意力机制引入到递归时序受限玻尔兹曼机模型,提出基于注意力机制的递归时序受限玻尔兹曼机模型,模型利用递归时序受限玻尔兹曼机模型提取一维距离像序列信息,并储存在隐藏层向量中。注意力机制分配给对识别贡献大的特征以更大的权值,使模型将更多注意力放在更具可分性的特征上,使得所提出的模型抗噪性能优于传统模型,更适应于低信噪比环境。第五章为总结与展望。对全文的主要工作以及创新点进行总结,并对小样本,非均匀采样等条件下的HRRP序列识别,以及将更深层网络与注意力机制相结合并应用于HRRP序列任务等问题进行了展望。