众所周知，雷达目标识别具有巨大的军事应用价值。而随着雷达技术的发展，以及背景环境日益复杂，利用非线性理论和方法解决雷达目标识别问题具有重要意义。本文研究了基于非线性理论和方法的雷达目标识别方法。 在第一章中，简要概述了雷达目标识别领域的研究方法和技术途径，重点介绍了非线性理论和方法在雷达目标识别中的应用情况，最后介绍了本文研究背景和内容。 第二章在雷达目标高分辨一维距离像的基础上，研究利用独立成分分析(ICA)获得雷达目标散射中心的二维结构及三维结构的方法。因为一维距离像所包含的目标信息有限，随着目标姿态变化剧烈，不利于目标识别。利用多姿态角下的一维距离像获得目标散射中心二维或三维结构信息，将会得到更加丰富、稳定的目标特征。本章就是基于这样的出发点，利用独立成分分析方法在多个目标一维距离像的基础上获得目标的二维和三维结构信息。和前人工作相比，本文方法不需要已知目标的姿态角和多一维距离像之间的视线角，所需很少的一维距离像，可以得到稳定的目标高维结构信息，且计算简单。 复杂目标角闪烁是目标的固有特性，反映了目标的结构信息，对它的研究有助于角闪烁的抑制和目标识别。第三章根据混沌动力学理论，利用替代数据方法验证了角闪烁线偏差序列的混沌动力学特性。在此基础上，利用混沌短期可预测的特性，提出基于“预测结果”的加权混沌预测算法的角闪烁抑制算法，仿真实验表明，新算法优于原有基于距离加权的混沌预测算法。然后，在重构相空间中，根据奇异吸引子的分形特性提取非线性特征量，用于目标的分类或识别。仿真实验表明方法的有效性。 寻找最优的特征提取算法和特征空间中最优的聚类中心是目标识别领域的两个重要问题。第四章在LDA和NLDA基础之上，解决了在Fisher准则下最优模式中心选择问题。首先利用遗传算法提出了基于最优模式中心的LDA算法；然后利用梯度下降法推导了基于最优模式中心的NLDA算法。并将其应用于一维距离像特征提取和识别中，提高了目标正确识别率。 第五章总结了本文的主要工作，指出了需进一步研究和解决的问题。