雷达具有无线电探测能力,能够实现对目标的监测、跟踪以及类型的判断,战场上对判断敌情发挥着重要作用。由于信息化战争的需要,雷达自动目标识别技术（RATR）得以快速发展。雷达高分辨距离像（HRRP）包含了目标丰富的细节信息且易于获取和处理,逐渐成为RATR领域的研究热点。近年来深度学习理论快速发展,将神经网络模型与HRRP识别相结合的工作也取得了不少进展。网络模型识别的前提是要在训练之前建立完备的雷达数据库,训练结束后模型参数就会固定下来,不再更新。实际应用中由于非合作目标样本获取困难等原因,往往无法提前建立完备的数据库。为此,要求模型能够在使用过程中利用新样本持续地进行学习。然而当新样本到达时,若直接使用新样本更新模型参数,则模型通常会逐渐遗忘已经学到的知识。针对此类问题,人们提出了增量学习方法,它能够使模型在学习新知识的同时仍然保留已经学到的旧知识。本文研究了HRRP识别中的增量学习问题,主要研究内容如下:（1）从散射点模型出发介绍了HRRP的特点、敏感性问题以及预处理方法。介绍了几种常见的统计识别模型和深度神经网络模型,包括最大相关系数分类器、自适应高斯分类器,以及多层感知机和卷积神经网络。使用上述方法进行了具有完备数据库情形下的HRRP识别实验,对比分析了各方法之间的性能差异。（2）针对不完备数据库内目标类别数固定的应用场景,开展了固定类别增量学习问题的研究。经典的动态可扩展网络（DEN）存在一些不足之处,包括选择训练的神经元不具有代表性以及简单地使用l₂距离计算神经元的漂移量。为此,本文对DEN进行改进,提出了具有掩码的可扩展网络（ENWM）。该网络的创新之处在于:（a）为了使网络能够更好地利用新知识的同时减少旧知识的遗忘,使用训练掩码的方式代替权重的训练过程;（b）为了更好地评估神经元变化带来的影响,使用基于Fisher信息矩阵的神经元漂移量计算方法。仿真实验结果表明ENWM能够很好地学习新知识并且保留旧知识,提高了在固定类别增量学习场景下DEN对HRRP的识别率。（3）针对不完备数据库内目标类别数逐渐增加的应用场景,开展了多类别增量学习问题的研究。目前流行的端到端增量学习（E2E）方法存在一些不足之处,包括蒸馏系数的设置和代表性样本的选择方式不合理,以及新旧类别样本数不均衡导致网络输出的分类偏好问题。为此,本文对E2E方法进行改进,提出了增强地端到端增量学习（RE2E）方法。该方法的创新之处在于:（a）为了解决蒸馏损失在损失函数中所占比重的问题,使用可变的蒸馏系数;（b）为了选择各类中最具代表性的样本,使用softmax层输出结果形成的概率值排序列表选择样本;（c）为了解决分类偏好问题,在网络中添加偏差修正层完成对分类层输出结果的修正。仿真实验结果表明RE2E方法能够很好地保留旧类别的知识以及缓解分类偏好问题,提高了多类别增量学习场景下E2E方法对HRRP的识别率。