由于具备全天时、全天候和远距离探测等能力,雷达在民用和军用领域都得到了广泛的发展和应用。随着现代雷达技术的发展和应用的需要,对雷达有了更高的要求,雷达自动目标识别就是其中非常重要的一项。雷达自动目标识别通常是非合作式的,它通过提取目标回波中的特征信息,并利用一定的判决准则实现对目标类型和属性的判别。雷达自动目标识别主要由数据获取、数据预处理、特征提取、特征选择、和分类判决等步骤构成。因此,本论文主要从雷达回波数据的预处理、特征选择、分类器设计、以及小样本识别等几个方面,利用贝叶斯分析推断方法对雷达自动目标识别的相关理论和技术问题进行分析研究。基于贝叶斯定理发展起来的贝叶斯方法可以系统地阐述和解决统计问题,而贝叶斯推断就是通过结合未知参数的先验信息和样本信息,并利用贝叶斯定理,得到未知参数的后验信息,最后根据后验信息去推断未知参数的过程。本论文的研究内容可概括为以下四个部分：1.研究对复雷达回波数据进行快速准确的参数估计(超分辨处理)。现在的许多稀疏表示算法通常利用尽可能覆盖待估计参数的一组初始化参数网格,生成一个参数化的字典来实现参数估计。如果网格间隔比较大,初始化的参数和真实的参数就会出现不匹配的情况。如果网格间隔比较小,运算的复杂度会相应增加。为此,本论文提出了一种基于稀疏贝叶斯表示和细化字典的复雷达回波数据参数估计方法。首先,在稀疏贝叶斯表示模型中,通过稀疏选择字典中的参数化原子实现参数估计,而稀疏选择是通过Bernoulli-Beta先验实现的。然后对选出的参数进行加权聚类和缩放(zooming)等细化处理,得到更精确的参数取值,并重新生成字典,然后再次利用贝叶斯稀疏表示模型进行参数选择。这两个步骤迭代进行,直至收敛,就能实现快速准确的参数估计。2.研究利用全带宽步进频数据实现对频点缺失步进频数据的重构。当雷达发射高距离分辨步进调频信号时,通常需要较长的观测时间且容易被干扰。基于此,可以只利用调频步进信号的部分脉冲,对得到的频点缺失频域数据,利用基于转移学习(transfer learning)的贝叶斯方法重构出相应的全带宽频域数据。在训练阶段,利用复数贝塔过程因子分析(Complex Beta Process Factor Analysis, CBPFA)模型对给定的全带宽频域数据的每一方位帧进行统计建模,并得到每一方位帧的概率密度函数。另外,在CBPFA模型中,字典和因子个数均能基于数据自动学出。CBPFA模型的推导是通过变分贝叶斯(Variational Bayesian, VB)方法实现的。在重构阶段,对与训练数据“相关”的频点缺失频域数据,可以利用训练阶段每一方位帧概率密度函数的转移知识,并通过压缩感知(Compressive Sensing, CS)理论和贝叶斯准则重构出相应的全带宽频域数据。关于每一训练方位帧和频点缺失频域数据的“相关性”,可以利用频点缺失频域数据的帧条件概率表示。3.研究设计一个具有稀疏特征选择的贝叶斯分类器,它把原始信号的非线性映射作为预处理过程。提出的线性分类模型利用从原始输入空间到非线性变换空间的映射,不仅能构造非线性分类界面,还能实现对原始数据的特征选择。在提出的贝叶斯模型中,精确度(precision)服从伽马分布的零均值高斯先验分布和贝塔过程先验的有限近似分别用来实现特征和非线性映射的稀疏选择。并利用VB方法对提出的贝叶斯线性分类器进行推导。通过对人工合成数据、实测雷达数据、高维基因数据、以及公共数据的实验,表明了提出方法相比于现有方法具有的优良特征选择和分类能力。4.为实现用较少的训练样本对高分辨距离像(High Resolution Range Profile, HRRP)进行识别,本论文提出了两种利用多任务稀疏学习的分类识别方法。HRRP通常可以采用两种不同的判别方法实现样本的分类识别：生成模型和判别模型。生成模型通常是基于贝叶斯理论的统计建模方法,而判别模型是在训练阶段学出一个判别函数,用来实现对每一个输入样本直接映射到一个类别标号。本论文对这两种判别方法均采用了多任务稀疏学习,下面分别对它们讨论。(1)生成模型的多任务学习。该方法将训练样本各方位帧的统计建模视为单一的任务,由于各帧训练样本间不是完全独立而是相互关联的,因此设定所有帧的训练样本采用同一个字典以实现帧间信息的共享。由于目标的不同以及同一目标的方位敏感性,通常很难确定各训练帧的相关性,而不相关任务间的联合学习将会降低识别性能,因此采用Bernoulli-Beta先验根据给定训练数据自动学出每一帧需要的原子,而通过不同帧间共享的原子个数就可以判断它们的相关性,从而实现自适应的多任务学习。(2)判别模型的多任务学习。该方法适用于多类目标识别,它把每一类和其它类的识别视为单一的任务。假定多个任务间是相关的,也即多个任务的预测(每个单任务分类中判别函数的权重)是相关的,因此设定所有任务预测共用同一个子空间以实现信息共享。由于任务权重间的相关性是变化的,每个任务权重需要的子空间基向量,可以利用Bernoulli-Beta先验由给定的数据自动学出,而通过不同任务间共享的子空间基向量个数就可以判断它们的相关性,从而实现自适应的多任务学习。