原始高分辨距离像数据为复数,不仅可以体现非常多的目标结构信息,还有可高速处理、容易获取等优势,让它在自动目标识别领域有着很高的关注度,并出现在各种研究方向的实验中。本文的主要研究基于神经网络对雷达HRRP的目标识别算法研究。目前的大部分雷达HRRP目标识别方法,为了处理复HRRP的初相敏感性,都只使用了他们的包络信息而去除了相位部分。如何有效利用原始复数样本中的全部信息是本文的核心研究内容。本文对复HRRP特性与如何将深层神经网络用于HRRP目标识别任务深入研究,提出利用复数网络对复HRRP进行目标识别并进行实验说明,具体内容概括如下:1.研究了高分辨距离像目标识别的基本原理。讨论了HRRP的敏感性问题、传统的分类器设计,并以AGC分类器为例做对比实验验证不同预处理方法的作用,结果也显示出预处理对识别结果有显著影响。2.研究了复数高分辨距离像的统计特性。从数学角度对复HRRP的特性进行了详细地介绍,分析了初相对目标识别的影响,解释了不同距离单元的复数高分辨距离像的实部与虚部相互独立的合理性,并且根据复HRRP的分布特性有针对性的设计了预处理步骤,为后续研究复数网络提供了一定的理论基础。3.研究了基于实数网络的雷达目标识别方法。大部分传统目标识别方法的结构都是浅层线性的,一般无法学习到可以利用于识别的深层特征。随着神经网络的发展,出现了许多基于深层神经网络的雷达目标识别方法。相比浅层线性方法,深层神经网络因为其结构特性可以学习到目标层次的有效特征,会有更好的识别性能。我们从基本神经网络入手,介绍了经典的卷积神经网络与残差神经网络,详细分析了它们的结构和工作原理,并将它们利用到对实HRRP的目标识别任务当中,实验表明深层神经网络的性能优于传统目标识别方法。4.研究了基于复数网络的雷达目标识别方法。针对常见目标识别方法去除相位信息,从而造成识别率受限的问题,提出使用复数网络和复数残差网络对复HRRP进行目标识别。介绍了复数网络模型中重要组成部分:复数卷积、复数激励函数、复数批归一化、复数参数初始化,和基于卷积网络的复数残差网络。在对复HRRP进行预处理后的基础上,使用双层复数卷积网络、三层复数卷积网络和双层复数残差网络进行目标识别实验,由于利用了复HRRP的相位信息,因此复数网络得到了高于基于实数网络的HRRP目标识别实验的识别率。