随着现代战争环境复杂化,敌对目标及任务的多元化,如何在恶劣的环境中对目标进行精准识别,是雷达领域研究的热点问题。在雷达目标识别的研究中,高分辨一维距离像(High Resolution One-Dimensional Range Profile,HRRP)因其能够较好的反映雷达目标的几何结构信息,以及具有易获取和实时性强的特点,而被广泛关注。本文主要研究了基于深度学习算法的HRRP雷达目标识别,其中主要研究内容包括:首先,通过对深度学习算法和HRRP数据特征的分析,设计了新的深度级联神经网络(CDNN)模型,实现了目标的有效识别。在CDNN模型的构建中,通过级联多组浅层子网络来加深网络深度,以提取HRRP的高阶抽象的特征;并通过网络参数迁移的方式,初始化子网络,以加速CDNN模型的训练过程。另外,针对HRRP的姿态敏感性问题,提出了二级标签(SL)编码方案,通过对目标姿态范围的划分,分别为各类目标的样本,在各姿态角范围内设定相应的主副标签。该编码方式使得在训练的过程中,不仅仅考虑了目标的类间差异,还考虑了类内的差异。在模型测试阶段,采用决策融合策略,对连续HRRP样本进行综合识别。其次,针对小样本HRRP雷达目标识别问题,通过对迁移网络进行改进,提出了基于特征域的迁移模型(DTNN)。在DTNN模型中共包含两个同型子网络,利用仿真HRRP数据,优化模型对实测HRRP数据的识别率。在模型的训练过程中,两个子网络交替训练且实现参数共享,同时通过设置联合域特征距离,在最小化模型识别误差时,最小化源域和目标域的特征分布之间的差异性。以此,实现源域和目标域之间的特征域迁移,以达到仅用少量的实测数据获得较高识别率的目的。最后,针对HRRP雷达目标识别中不同目标之间数据量不均衡的问题,设计了改进的生成对抗网络(GAN)用于数据增强。即通过WGAN和CWGAN生成所需样本,使目标样本数均衡。在WGAN模型的设计中,引入了EM距离作为生成模型的训练指标,提升模型生成样本的质量;在CWGAN模型的设计中又通过引入标签约束,提升WGAN模型生成样本的效率。通过对深度学习的研究,本文进一步拓宽了神经网络算法在HRRP雷达目标方面的应用,这也为以后雷达识别的研究提供了新思路。