随着雷达技术的不断发展,雷达的距离分辨率已远小于目标尺寸。在散射点模型下,回波信号描述了目标散射点沿雷达视线方向的分布情况,其中包含了大量尺寸、结构等可辨别信息。雷达高分辨距离像数据由于易于获取、计算量低等原因广泛应用于雷达自动目标识别领域,有着巨大的应用价值。其中如何有效地对HRRP数据进行特征提取是识别问题的关键。本文重点考虑到高分辨距离像不同距离单元之间的时序相关性信息,提出了两种基于循环神经网络的时序模型,对基于HRRP的目标识别问题进行了讨论和研究。论文的主要内容包括以下三个部分:第一部分主要介绍了雷达目标识别技术国内外研究现状以及深度学习的发展历史,并介绍了文章整体的内容安排以及实验所用数据的详细情况。之后从散射点模型出发,分析了HRRP回波信号的基本性质,并讨论了对识别影响较大的方位敏感性、强度敏感性和平移敏感性问题,分别提出了解决方法。紧接着介绍了两种传统的分类方法SVM和LDA,这两种方法均将HRRP视为一个完整的整体而忽略了距离单元之间的时序相关性。最后通过实验得到这两种方法的识别性能,并对实验结果进行了分析。第二部分主要考虑到HRRP数据内部距离单元之间的相关性信息,通过滑窗法将HRRP数据划分为序列的形式。之后介绍了循环神经网络的基本原理以及参数更新方法,并对其中存在的梯度消失问题进行了讨论。考虑到HRRP数据目标区域在识别问题中的重要作用,提出了一种基于注意力机制和双向循环网络模型的HRRP目标识别算法。该算法可以自动地对HRRP数据进行特征提取,并对目标区域的特征加以较大的权值,从而提高模型特征提取的能力。最后通过实测数据验证了所提模型的有效性,并对模型中的关键参数进行了讨论。第三部分考虑到HRRP数据是非平稳信号,不同距离单元之间的时序性不是一直保持不变的,而经典的循环神经网络模型在不同时刻均使用相同的权值进行特征提取,这对权值矩阵的学习造成了一定困难。本文将经典循环神经网络的权值从二维的矩阵改进为三维的权张量,通过高斯混合模型对数据片段进行聚类,根据聚类结果从权张量中选择对应的权值矩阵,对具有相近分布形式的输入数据片段使用相同的权值矩阵进行建模,并通过狄利克雷过程自动地计算出最佳的聚类元素个数。每个权矩阵可有针对性的对HRRP数据的某一部分进行建模,减少了模型参数学习的难度。最后通过实测数据验证本模型的有效性,并对其中影响模型性能的一些参数进行了讨论。