宽带雷达可获得观测目标的高分辨距离像(High Resolution Range Profile,HRRP),HRRP反映了目标散射中心沿雷达视线方向的分布情况。HRRP包含了丰富的目标特征信息,并具有计算量小、数据易获取等优势,广泛应用于雷达自动目标识别(Radar Automatic Target Recognition,RATR)。近年来,深度学习技术快速发展并广泛用于计算机视觉等领域。卷积神经网络(Convolutional Neural Network,CNN)作为一种典型的深度学习模型,已经在图像识别、自然语言处理等领域取得了成功。因此,开展基于CNN的HRRP目标识别方法,对提升我国RATR技术具有重要的理论价值。本文主要工作如下:(1)介绍了雷达一维距离成像基本原理及典型的目标识别方法。首先,基于经典的转台模型,介绍了逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)一维距离成像基本原理。然后,分析了HRRP幅度、平移和姿态的敏感特性对识别的影响,并且给出了相应的预处理方法。最后,介绍了基于支持向量机(Support Vector Machine,SVM)、k最近邻算法(k-Nearest Neighbor,KNN)的HRRP目标识别方法,为后续章节的方法性能分析与对比提供理论基础。(2)研究了基于CNN的HRRP目标识别方法。首先,介绍了CNN的结构特性,网络训练的基本原理及优化算法。然后,通过对HRRP特性的分析,设计了基于典型CNN结构的HRRP目标识别方法。该网络可通过卷积、池化结构提取平移不变特征,并缓解HRRP的平移敏感性问题,无需进行包络对齐的预处理,直接实现从HRRP数据到识别结果输出“端到端”的学习与映射。最后,基于雅克-42、安-26和奖状飞机的实测HRRP数据,分别利用SVM、KNN和CNN进行识别,结果表明CNN在识别正确率和噪声鲁棒性方面均具有较大优势。(3)提出一种基于批归一化特征融合CNN的HRRP目标识别方法。首先,分析了传统CNN结构在特征提取方面的局限性。然后,分别介绍了特征融合网络与批归一化处理的基本原理。特征融合网络通过可分离卷积增加融合结构,将浅层网络的结构等特征和深层网络的细节等特征进行融合。批归一化(Batch Normalization,BN)操作加快网络训练和收敛速度,抑制过拟合,增强了网络泛化能力。接着,提出了基于批归一化特征融合CNN的HRRP目标识别算法流程。最后,通过在三类飞机的实测HRRP数据集上的实验验证本章所提方法相比典型CNN结构具有更高的识别率和泛化性能。(4)总结和展望。对全文工作进行总结,并对下一步的工作进行了展望。