在现代信息化地面战争中,不同的车辆目标担任着不同的作战任务,轮式车辆普遍来说重量轻、机动好,一般承担着城镇作战及运输物资的任务,而履带式车辆一般火力猛、防护高,担任着野外攻坚与火力压制等职责,目标任务的差异也决定了其具有不同程度的威胁,因此对这两种车辆目标的分类具有重要意义。雷达(Radio Detection And Ranging,Radar)作为一种利用无线电对目标进行探测和测距的设备,具有探测作用距离远,全天时,全天候的特点,自其诞生之后就广泛应用于军用及民用领域。雷达自动目标识别技术更是为在战场中占据主动地位提供着强有力的技术支撑,如何有效的提升目标识别精确度与可靠性是当前雷达自动目标识别研究工作亟待关注的重点。从雷达系统自身的分辨力出发,本文针对低分辨窄带雷达及高分辨宽带雷达两种体制下的车辆目标分类方法进行研究,论文的主要内容可以概括为如下两个部分:第一部分,针对窄带雷达车辆目标分类问题,提出了一种基于随机森林模型的目标分类-拒判方法。实际环境下采集的目标回波由于多种因素有可能出现不理想的情况,例如雷达未能跟踪上目标、目标距离过远造成回波信噪比过低等,传统方法难以进行有效的分类。在对目标回波进行基于CLEAN算法的地杂波抑制后,从多普勒谱域、时频谱域、特征谱域提取多种基于微多普勒效应的特征,利用随机森林模型实现对目标的分类,同时结合目标类后验概率评估其拒判阈值,在分类的过程中依据该拒判阈值自动的对置信度较低的样本进行剔除,能够极大的降低不理想数据对分类结果的影响。基于实测车辆目标数据的实验证明该方法相比传统方法能够提升分类性能。第二部分,提出了一种基于组合典型相关性分析(Canonical Correlation Analysis,CCA)的特征融合方法,并将该方法用于宽带雷达车辆目标分类问题。宽带信号包含着丰富的结构信息,对其可以获取多种特征,将这些特征进行有效的融合可以进一步提升分类性能。首先针对传统CCA在多特征融合时限制了特征的组合方式造成融合不充分的问题,采取将特征进行两两组合的融合策略,利用大奇异值占比阈值控制融合维度,以获取充分融合后的特征向量。其次,对目标的高分辨距离像(High Resolution Range Profile,HRRP)和HRRP序列图像分别提取多种一维信号域特征和二维图像域特征。最后将所提出的特征融合方法用于宽带雷达目标分类任务中。通过MSTAR车辆目标数据的实验表明,该方法相比传统特征融合方法能够提升目标分类正确率。