现代战争正向着信息化和智能化的方向发展,雷达除了完成传统的目标检测和测距功能外,还应提供更多的目标信息,雷达自动目标识别技术能够提供目标类别属性等信息,因而受到越来越多的关注。雷达高分辨距离像一定程度上反映了目标的外形结构,且具有易于获取,方便计算的优点,是实现雷达自动目标识别的重要途径。高分辨距离像携带的目标信息随着目标的结构不同而相应变化,在实际战场中,目标执行不同任务时,其武器挂载、载荷配置会相应调整,称之为变体目标。同一型号的变体目标局部结构不同,从而导致其高分辨距离像与识别模板库内的目标信号模型不完全匹配,将严重影响识别性能。针对该问题本文开展了对变体目标稳健识别方法的研究,通过从变体目标信号中分离出变体信号分量,恢复未形变目标的高分辨距离像用于识别,提高了对变体目标的识别性能。论文主要工作总结如下:(1)通过对电磁散射中心模型和电磁计算结果的分析,发现变体目标回波中发生变化的分量具有结构化稀疏的特点,在此基础上提出对变体目标高分辨距离像建立结构化稀疏表示模型,并使用压缩感知相关算法进行模型求解,将变体分量从原始回波中分离,恢复出目标形变前的回波,进而对变体目标进行识别的思路;(2)针对变体目标信号中变体分量的恢复问题,在贝叶斯框架下,利用马尔可夫链超先验贝叶斯结构化模型,以及非零参数耦合贝叶斯结构化模型对稀疏信号的结构化约束能力,提出局部马尔可夫链超先验贝叶斯结构化统计模型和局部非零参数耦合贝叶斯结构化统计模型,两种模型均能够对变体目标信号的局部结构化稀疏表示进行求解,实现变体分量的估计与分离。经由实验证明,使用提出的算法除去变体后的变体目标识别性能得到了提升;(3)针对贝叶斯统计模型求解过程中运算量巨大,导致对变体目标识别实时性差的问题,在模型求解过程中引入广义近似消息传递算法(GAMP),取代包含矩阵求逆步骤的稀疏表示均值和方差的概率推导求解方法。引入GAMP后的识别方法能在保持识别性能的前提下,显著的提升算法的识别速度,增强了变体目标识别的实时性。