随着相关科技的发展,使用雷达对目标进行识别的需求也越来越迫切从而形成了雷达自动目标识别（RATR）的技术概念。该技术通过对不同目标回波中可以用于区分类别的信息进行提取并使用其对目标的类别进行判别。通过宽带雷达获取的高分辨一维距离像（HRRP）作为一种隐含着和目标结构相关的信息的回波形式,由于其产生过程对设备要求较低且自身为数据量较小的一维数据,因此众多学者都对使用HRRP对目标进行分类识别的问题做了广泛而深入的研究。在传统方法的研究中,机器学习中的子空间方法相对于其他方法在识别效果使用复杂度上有着更好的平衡性,在更新的神经网络方法中,循环神经网络和卷积神经网络由于自身特点所以对HRRP识别问题相对于其他神经网络有着更好的契合性。因此本文结合机器学习中常用的子空间方法和神经网络的方法对HRRP的识别问题进行了探讨和研究,主要研究内容如下:1.本文首先对利用HRRP进行目标识别的研究背景以及该方法带来的重要价值进行介绍,之后将国内外针对该问题的研究历史及现状进行了概述。此后从散射中心模型的角度出发研究了产生某目标HRRP结果的原理,并深入分析了目标HRRP在成像过程中表现出的规律性特点,并针对各种特点给出对应的解决方法。2.本文结合仿真实验研究了如何使用电磁仿真方法来产生目标的一维距离像。该过程通过在软件中选取合适的求解方法来对目标几何模型进行电磁散射特性的求解从而获取目标的多频点散射场数据,随后对其结果进行IFFT处理以形成目标的HRRP,为进一步的工作提供了数据基础。3.本文使用了常用的两种子空间方法来解决HRRP的分类识别问题。首先介绍了主成分分析法（PCA）和核主成分分析法（KPCA）的基本原理。随后将PCA和KPCA方法应用于仿真得到的三类目标的一维距离像,将基于PCA或KPCA的特征提取和基于支持向量机（SVM）的分类器结合为完整的目标识别工作流程。在三类目标的数据集中对该分类识别方法进行了测试和分析。实验结果证明了基于子空间方法对HRRP进行分类识别的有效性。同时也通过不同情况下的对比测试来研究影响识别结果的不同因素。4.已有的大量研究成果表明循环神经网络（RNN）和卷积神经网络（CNN）在解决HRRP分类识别问题上的有效性与优势,因此本文将研究重点聚焦于RNN和CNN,在RNN方面针对传统LSTM模型中没有区别对待目标区域和非目标区域的缺陷,提出了基于注意力机制改进的LSTM网络。在CNN方面针对基础CNN网络的多层次结构会导致的梯度消失现象以及信息在传递过程中可能丢失的现象,提出了一种改进残差CNN网络。分别将上述两个改进方法并应用于数据集,实验结果证明了本文提出的注意力LSTM模型通过引入多头注意力机制用于区分HRRP不同区域的重要性,使得其相对于传统的LSTM在HRRP的识别问题上有更高的识别效果;也证明了本文提出的改进残差CNN网络模型通过改进残差结构,使得其相对于基础的残差CNN网络模型在HRRP的识别问题上有更高的识别效果。