雷达目标识别在军事斗争和社会经济建设领域都扮演着重要角色。传统的分类识别方法在分类准确率和实时性之间的矛盾制约了其实际应用。特征提取是雷达目标识别的重要步骤之一。传统特征提取方法需要人工设计,依赖于研究者的专业知识和经验,提取完备的特征十分困难。深度学习模型虽然能够挖掘目标深层特征表示,但其对大数据的需求以及训练过程耗时长制约了其在雷达目标识别领域的应用。针对这些问题,本文研究极限学习机在雷达目标识别中的应用。极限学习机(extreme learning machine,ELM),学习速度快,泛化能力强,其深层结构能在小样本条件下快速完成模型训练,因此它可以更好地满足雷达目标识别对准确率和实时性的要求。论文首先介绍了课题的研究背景和意义,梳理了雷达目标识别系统和方法的发展,回顾了神经网络尤其是深度学习模型的发展现状以及在雷达目标识别中的应用现状,并指出了ELM算法在雷达目标识别应用中的优势及存在的不足。第二章从理论上分析了ELM算法与传统BP算法和SVM算法的异同,并通过拟合实验和分类实验验证了算法的性能。由于极限学习机的输入权重和隐藏层偏置随机设置,使得模型结果不稳定,同时需要设置更多隐藏层节点,从而造成节点冗余和模型过拟合。第三章提出了一种改进的量子粒子群优化算法的极限学习机输入参数选择方法,解决了极限学习机由于输入权重和隐藏层的偏置随机设置所造成的输出结果不稳定的问题。与传统的量子粒子群优化算法相比,该优化算法在计算?势阱的特征长度时不仅有效地利用了群体的平均最优位置,同时,还考虑了有关散布在其它区域的粒子的信息,从而有效地提高了群体的全局搜索能力。将该优化算法应用在ELM输入权重和隐藏层偏置的寻优中,能获得更合适的输入参数。在雷达数据上的分类实验,验证了所提算法在综合考虑分类准确率和实时性两方面时,性能最佳。第四章提出了一种基于栈式自动编码器和相似性约束ELM的雷达目标识别方法。作为深度学习一种重要的结构,栈式自动编码器能够提取目标深层特征,挖掘数据本质信息,获得更有利于分类的目标特征表达。但传统的栈式自编码器在分类任务中存在需要大数据样本训练,耗时长的问题,提出用相似性约束极限学习机替换栈式自编码器中的softmax分类器的方法,使得模型无需进行微调操作,从而加快其训练速度。第五章针对深度极限学习机在训练样本有限的情况下容易陷入过拟合的问题,提出了一种基于Dropout约束的深度极限学习机算法,将Dropout对网络结构的影响作为模型代价函数的约束,实验结果表明,该算法能有效解决模型过拟合的问题。进一步,针对雷达目标识别的实际应用,将深度极限学习机从实数域扩展到复数域,同时为了在模型训练过程中有效保持数据间的邻域信息,将流形正则化框架应用到深度复极限学习机的监督和无监督训练过程中,提出一种流形正则深度复极限学习机算法。实验结果验证了所提算法对雷达目标识别的适用性。最后,对本文工作做出了总结,并对下一步工作进行了展望。