雷达高分辨距离像蕴含了目标沿距离方向呈现出的物理结构信息,相比于其他同样具备高分辨特性的高维像,它不仅易于获取,还相对易于处理,为高效、准确地识别目标提供了一种可靠依据。近年来,依其开展的识别策略研究,已成为该领域的一类探索热点。但是,由于实际识别应用往往发生在复杂的环境当中,且大多针对非合作目标开展,因此面临低信噪比、小样本、难以稳健提取特征或分析繁琐等识别难题。为了能依据这类数据准确、高效地完成识别,本文尝试基于稀疏表示理论,深入、细致地对高分辨距离像目标识别系统的架构、核心技术开展理论研究及实验分析。本研究的主要内容及创新有:1.分析了高分辨距离像成像机理及其数据特性,回顾稀疏表示相关基本理论,并提出了一类将稀疏理论用于雷达目标识别的技术方案,明确了这类识别策略的整体设计框架、核心问题及技术难点。2.提出了一类基于结构字典稀疏表示实现目标识别的算法。文中从三个方面展开了研究:在将原始Gabor字典依结构参数分割为若干子库的基础上,探讨了一类可用部分原子简化子库表达,借由子库组合保持表达能力的结构字典;探讨了一类借助寻优及快速运算提升迭代分析收敛性能及分解速度的改进的快速匹配追踪算法;提出了一种目标识别策略,确定了稀疏表示在雷达目标识别中的具体应用模式,并进行了仿真验证。实验证明,依据稀疏理论开展的目标识别研究,切实可行且准确有效。相比常规的降维识别策略,利用此类方法可缓解目标识别所面临的数据处理压力,并取得更好的识别效果。3.提出了一类依据联合字典稀疏表示实现目标识别的算法。算法实现涉及三部分内容:探讨了一类由多个表达属性各异的正交子字典组合构造的联合字典,这类字典既具备冗余原子集的表述优势,还为快速达成样本的稀疏表示提供了可能;探讨了一种通过逐批筛选表达原子而改良的分组匹配追踪策略,以提升对样本的稀疏逼近分析速度;结合前两者提出了一种对距离像样本开展稀疏逼近分析,筛选其内特征,进而识别目标的方法。为了提升识别策略的实用性,算法还尝试依信噪比调控其内稀疏分解参数,以改善算法抗噪性能。实验测评表明:相较同类识别策略,该算法求取更为便捷,适用范围有所拓展;相比不同类型的常规识别策略,该算法抵御噪声的能力有所提升,识别效果更优。4.提出了一种基于双稀疏字典学习理论开展自适应目标识别分析的算法。文中借助自适应分析策略达成目标识别,并从两个方面展开研究:探讨了一类双重稀疏策略,用以对学习字典及距离像样本二者分别执行稀疏逼近分析;探讨了一类逐段快速分解方法,用以达成对样本的快速稀疏编码。训练阶段中,通过对训练样本进行动态分析,将能自适应地求取与之更契合的类别表述字典;测试阶段中,则将使用所得类别字典表达测试样本,并依据表述准确率完成目标类别判定。实验表明,相比其他同类算法,该算法能自适应地对样本开展快速稀疏逼近分析,可取得更为精准的类别表达字典,因而具备更好地识别性能,且适用范围更广;相比其他类型的常规识别算法,该算法因稀疏表示理论的引入,缓解了数据分析压力,在保证识别效果的同时,实时可操作性更强,更具实用性。