本文针对雷达目标识别技术中的分类器算法设计问题,基于支持向量数据描述算法展开研究,主要研究了带负类样本的多核支持向量数据描述方法和基于混合核函数的增量支持向量数据描述方法,并使用一维高分辨距离像仿真数据和公共数据集对算法进行验证。首先,阐述了本文的研究背景及意义,简要说明雷达自动目标识别(RATR)技术的系统框架和国内外发展现状,并且归纳了雷达高分辨距离像的目标识别技术研究概况,同时,介绍了支持向量数据描述(SVDD)算法的研究现状。然后梳理了支持向量机算法与支持向量数据描述算法,并分析了SVDD核函数的主要参数改变时对识别结果的影响。其次,研究了基于混合核函数的多核SVDD-neg目标识别方法。分别介绍了核函数的性质和Mercer条件,并分析了局部核函数和全局核函数的基本性质,提出了一种基于混合核函数的多核SVDD-neg算法,该方法通过将泛化能力比较强的多项式核函数和学习能力比较强的高斯径向基核函数结合起来,构造出新的混合核函数,解决了传统的SVDD算法由于核函数单一而导致模型的识别性能效果欠佳的问题。将提出的算法与经典SVDD识别算法进行比较,仿真实验表明,该算法在识别率上有更好的表现。最后,在多核SVDD算法的理论基础上,引入增量学习的方法,提出了MKISVDD算法。首先从理论上分析了新的增量样本对多核SVDD的影响,然后结合增量学习的思想,提出了MKISVDD算法并说明了算法流程。仿真实验表明验该算法在保证算法识别率的同时,能够一定程度的减少增量样本的训练时间。