数据驱动的深度学习方法因其强大的特征提取能力已经被广泛用于雷达自动目标识别的研究。深度学习能够自动从大量的训练样本中学习数据的特征。与传统的机器学习方法相比,深度学习有更强的提取目标的语义特征的能力,在识别任务中通常有更好的性能。但通常情况下,有标签的雷达数据比较少,不能满足深度学习的训练要求,会导致严重的过拟合现象。此外,雷达传感器容易受到噪声的干扰,雷达回波受其与目标之间的相对角度以及相对位移的影响较大,深度学习在多场景的识别任务中表现不佳。本文针对上述深度学习用于雷达目标识别时的不足提出迁移学习的解决方案。首先,本文从光学图像到雷达目标图像的迁移学习入手,介绍了深度学习和迁移学习的基本原理。并利用三种神经网络结构进行实验,测试从光学图像识别到雷达目标识别迁移的可行性。结果表明,与随机初始化的模型相比,迁移学习能够提升训练模型的速度。但并没有显著提升识别准确率,甚至会引发负迁移导致准确率下降。然后,本文研究了从无标签的雷达数据到有标签的雷达数据的迁移学习。利用无监督特征学习的方法从无标签数据中提取特征,通过参数共享将特征传递到目标任务。然后通过微调技术使原始网络适应于目标分类任务。此外,本文还将迁移学习与半监督学习相结合以最大化地利用训练数据。经验证,在有标签的训练样本很少的情况下,本文的方法的性能取得了显著提升。最后,本文还研究了不同频段的雷达图像之间的迁移学习。本文通过对抗学习的方法将不同频段的雷达数据在神经网络的高层特征分布进行对齐,使其能被同一个特征分类器判别。经验证,本文的算法极大地提升了深度学习在多频段的雷达目标识别任务的性能。此外,本文提出的算法也具有很强的抗噪声性能。