随着现代先进武器系统以及雷达电子技术的发展,人们对雷达的需求已经不仅仅满足于只能对目标进行探测和定位,雷达目标识别作为现代雷达技术的重要发展方向之一,对未来武器系统具有重要的意义。其中对雷达目标高分辨距离像的识别研究最为广泛,雷达高分辨距离像能够提供目标识别所需的信息,可以反映目标的几何形状和结构特点,利用距离像进行目标识别一直是研究的重点。本论文从高分辨距离像的物理特性分析、数据预处理和特征识别分类等方面,结合相关理论框架和工程技术问题,展开对雷达高分辨距离像的研究,主要工作如下:从高分辨距离像物理特性出发,围绕目标识别的基本原理,分析了敏感性对于高分辨距离像目标识别的影响,讨论了特征提取和目标分类的基本思想和常用方法。针对高分辨距离像的敏感特性,研究了距离像的数据预处理,采用先粗筛选后精确的方法提取目标回波区域,分析了三种解决平移敏感性的距离对齐处理方法并结合实验数据进行比较验证讨论其优缺点,讨论了归一化幅度的作用与效果,并对数据预处理效果进行实验验证。提出了一种与广义回归神经网络模型(Generalized Regression Neural Network,GRNN)相结合的目标识别方法,针对网络模型在传统方法中需要人为调节的参数spread光滑因子,用K重交叉验证法(K-Folder Cross Validation)训练神经网络,并且根据最小均方误差(Mean Square Error,MSE),利用循环判别法使网络在识别过程中自动筛选出适用于样本参数的光滑因子spread最优值和训练样本的最优输入输出值,并在后续的在线识别中不断地对参数值进行修正。该方法克服了spread选取时的随意性,减少了人为因素对预测结果的影响。仿真实验结果表明,基于该方法模型的目标识别率和稳定性得到了提升。讨论了雷达高分辨距离像在实际目标识别过程中库外目标的拒判问题,针对处理库外目标拒判中库外目标训练样本缺乏的难题,研究了一种人工生成库外目标样本的方法,给出了两种基于接收机工作特性曲线的拒判性能评估准则。设计了基于非参数估计的置信度评估方法,并将其应用于雷达高分辨距离像目标识别的库外目标拒判问题进行实验。