雷达高分辨距离像(HRRP)是散射点子回波在雷达视线方向上投影的向量和,它能够反映出散射点目标在雷达视线方向上的几何结构信息,且相对于合成孔径雷达(SAR)图像和逆合成孔径雷达(ISAR)图像而言,具有易于获取和存储量小等优点,因而在雷达自动目标识别(RATR)领域受到了广泛关注。本论文主要围绕着国防预研及国家自然科学基金的相关项目,结合距离像识别的工程应用背景,从库外目标拒判和特征提取两个主要方面展开对RATR的相关理论和技术的研究。论文的主要内容包括下述五个部分,其中第一部分为绪论,第二部分主要涉及库外目标拒判问题,第三、四、五部分主要涉及特征提取问题。一、首先介绍了高分辨距离像的物理特性,然后结合RATR的工程应用,讨论了库外目标拒判问题的应用背景,分析了该问题和一般意义上的模式识别问题的主要区别,以及解决该问题所面临的主要困难。二、针对库外目标拒判问题,提出了一种人工生成库外目标训练样本的方法,为后续的分类器设计提供了数据基础。针对支持向量域描述(SVDD)算法核函数形式过于简单的缺点,将SVDD算法由单个核函数扩展到多个核函数线性组合的形式,并根据对组合系数自由度的不同限制,分别得到了Multikernel-SVDD1算法和Multikernel-SVDD2算法两种扩展版本。SVDD算法、Multikernel-SVDD1算法和Multikernel-SVDD2算法可以分别通过求解二次规划(QP)、二阶锥规划(SOCP)和半正定规划(SDP)问题来获取全局最优解。仿真实验的结果表明：(1)由于采用了更加复杂的核函数形式,Multikernel-SVDD1算法和Multikernel-SVDD2算法取得了比SVDD算法更优的拒判性能；(2)由于多个核矩阵的组合系数具有更高的自由度,Multikernel-SVDD2算法取得了比Multikernel-SVDD1算法更优的拒判性能。SVDD算法、Multikernel-SVDD1算法和Multikernel-SVDD2算法旨在寻求高维核空间的超球体分类边界,它们的区别仅仅在于核空间的不同。不同于上述超球体边界,本章提出了三种采用近邻边界的分类算法,即最近邻(NN)分类器、平均K近邻(A-KNN)分类器和加权K近邻(W-KNN)分类器来处理上述拒判问题。仿真实验结果表明,就雷达HRRP库外目标拒判问题而言,采用近邻边界要优于采用超球体边界。通过比较三种近邻算法,我们发现W-KNN分类器的性能要优于NN分类器和A-KNN分类器,并指出造成这种结果的原因在于W-KNN分类器能够在应用较多的信息量的同时保持较强的局部学习能力。三、提出了一种大间隔最近局部均值(LMNLM)算法。该算法通过一个线性变换,将原始欧式距离空间投影到马氏距离空间,并在投影后空间的最近局部均值(NLM)分类器的边界中引入了大的分类间隔,以期望改进NLM分类器的推广性能。通过对所获得的马氏距离矩阵进行特征值分解,可以恢复出投影矩阵,从而实现对HRRP数据的特征提取。LMNLM可以表述为一个半正定规划(SDP)问题,而SDP问题的凸性保证了全局最优解的存在。实验结果表明LMNLM可以同时降低数据维数和提高数据可分性,对多模分布且存在大量噪声和冗余分量的HRRP数据尤为适用。四、线性判别分析(LDA)是一种典型的基于全局准则的特征提取算法,在模式识别领域有着广泛的应用。由于全局准则对多模分布数据的不适用性,研究者们提出了一些基于局部准则的相关算法,例如边界Fisher分析(MFA)和局部判别嵌入(LDE),来处理多模分布数据的特征提取和分类问题。本章中,我们从鲁棒性和灵活性两方面入手,分析指出全局算法具有较强的鲁棒性和较弱的灵活性,而局部算法与之相反,其鲁棒性较弱而灵活性较强。结合训练数据采样程度对识别影响的分析,提出了组合判别分析(CDA)来折衷考虑鲁棒性和灵活性,并将其成功应用到雷达HRRP目标识别领域。五、分析了线性判别分析(LDA)的四个缺陷：(1)同一类别的样本需要服从高斯分布特性；(2)投影向量的个数受到限制；(3)不同的差分向量在构建散射矩阵时受到同等对待,它们对识别的不同影响没有得到体现；(4)没有考虑投影向量的范数对识别的影响。针对上述四个缺陷,首先提出了一种新的特征提取算法,局部均值判别分析(LMDA),来弥补前三个缺陷带来的不利影响,接着提出了一个广义的重加权(GRW)框架来弥补最后一个缺陷的不利影响。LMDA和GRW可以分别采用广义特征值分解和线性规划(LP)来求解,它们的结合应用可以大大提高数据的可分性,基于人工数据、公用数据以及雷达HRRP数据的实验结果充分表明了它们在提高分类精度方面的有效性。