近年来,随着雷达监测与深度学习技术的迅速发展,基于深度学习的RCS数据目标识别已然成为了一个新的研究方向,在军事、民用等领域都被广泛应用。在我们利用深度学习技术训练RCS目标识别模型的过程中,常常遇到因样本难以采样,无法提供充足的样本进行模型训练,进而导致目标识别准确率低的问题。为了解决这一问题,本文从不同的角度出发,分别采用了两种不同的元学习算法,使得在少量样本的情况下可以实现目标物体的识别。本文所做的主要研究工作如下:（1）研究分析了常见的少样本目标识别算法。其中,重点研究并改进了MAML算法的网络模型与训练算法。首先,针对MAML自身浅层网络的特性,存在特征提取能力不强、数据之间关联少的问题,本文对其网络模型进行了一系列改进:使用inception模块增加网络的宽度与深度,提升特征提取能力;增加输出层深度,增强神经元之间的关联性;在原有交叉熵损失函数的基础上加入L2正则化。其次,针对模型训练过程中出现的计算量大、梯度消失与梯度爆炸,训练不稳定的问题,对训练算法进行了如下改进:采用一阶近似的方法训练模型,并使用多步损耗优化的方法更新模型参数。改进后的算法模型在少样本情况下对RCS目标的识别性能优于其他模型,其预测平均准确率达到84.25%,相较改进前提高了5个百分点。（2）针对原型网络中类别中心代表性不强、度量函数选取片面的问题,提出一种基于度量自适应的少样本目标识别算法。该算法在原型网络基础上,通过加入注意力机制,考虑查询样本与支持样本之间相关性,进而生成更具代表性的类别原型;接着,对类别原型进行特征迁移,使每个类别原型都包含类间信息;然后,加入任务自适应的任务嵌入网络,使样本类别与任务信息结合;最后,增加可学习的度量缩放系数,使输出的度量始终在一个合适的范围内。提出的算法对RCS目标的识别准确率达到了84.667%,验证了算法的有效性。综上所述,本文通过两种不同元学习算法对RCS目标进行了识别,这两种算法体现了不同的思维方式,均解决了目标样本少,难以进行训练的问题。