高分辨距离像(HRRP)一直以来都是雷达自动目标识别领域的研究热点,但由于某些因素的限制,实际录取的HRRP信噪比往往较低,因此噪声稳健成为雷达自动目标识别研究工作的重要部分。现有的HRRP噪声稳健研究多集中于统计模型修正方面,对信号去噪和噪声稳健特征提取方面的研究相对较少,本文分别提出了HRRP去噪新方法和基于噪声稳健特征提取的识别新方法,提升了低信噪比条件下HRRP识别的稳健性,研究内容概括如下:1.首先介绍了用于高信噪比信号重构的传统压缩感知算法,并分析了在低信噪比情况下,外部噪声影响信号稀疏度的确定,使传统压缩感知算法无法对低信噪比信号进行精确重构;然后针对HRRP信号去噪的问题,从雷达目标散射点模型出发推导得出HRRP复回波的贝叶斯统计模型,用估计的噪声功率作为噪声先验并固定,将低信噪比信号的去噪问题等效为高信噪比信号的重构问题,提出了改进的基于贝叶斯稀疏分解的去噪算法,并实现了它的快速算法;最后通过HRRP实测数据验证了贝叶斯稀疏分解算法可对低信噪比信号进行有效去噪,且对噪声先验具有稳健性。2.首先介绍了主成分分析(PCA)理论,在其基础上介绍了基于PCA子空间的最小重构误差方法;然后定义相同维度和不同维度子空间的距离,给出了一种基于子空间距离的HRRP识别算法,并分析了提出方法的噪声稳健性;最后釆用实测数据验证了基于子空间距离的识别方法相比于最小重构误差方法在识别性能及噪声稳健性上具有优势。