雷达高分辨距离像是宽带雷达信号获得的目标的散射点子回波沿雷达视线方向投影的向量和,反映了目标散射体的雷达散射截面积沿雷达视线的分布状况,包含了丰富的目标物理结构信息。与合成孔径雷达成像或逆合成孔径雷达成像相比,高分辨距离像由于其更易处理和获得的优势,已成为雷达自动识别研究领域的热点。本文主要围绕雷达高分辨距离像的精细统计建模方法展开研究。论文的主要内容可概括为如下三部分:第一部分,主要对雷达高分辨距离像的回波特性进行了简要分析,阐述了雷达高分辨距离像回波存在的三个敏感性问题以及其常用的处理方法。接下来从贝叶斯理论的基本概念出发,介绍了基于贝叶斯理论的统计模型中常用的参数推断方法,并简要阐述了针对高分辨距离像统计建模的基本步骤。第二部分,从数据分布的描述角度对雷达高分辨距离像的精细统计建模方法进行研究。首先简要介绍了HMM-Gaussian模型,并指出HMM-Gaussian模型中对观测概率进行高斯分布假设,但考虑到距离像回波的非高斯性,高斯分布假设无法对数据进行准确地描述。因此,提出了一种将隐马尔可夫与支持向量机相结合的HMM-SVM混合模型,HMM-SVM混合模型不再对观测概率进行分布假设,而是利用核支持向量机的非线性分类能力,通过支持向量机的概率输出来提供隐马尔可夫模型的观测概率,从而对观测为非高斯的数据进行更好地拟合。最后基于仿真数据和实测数据的实验验证了提出方法在目标识别上的有效性。第三部分,从引入先验信息的角度对雷达高分辨距离像的精细统计建模方法进行研究。围绕因子分析模型,简要介绍了基于雷达高分辨距离像的传统因子分析模型以及多任务因子分析模型。考虑到以上两种模型只利用了距离像数据的生成信息,本论文在多任务因子分析模型的基础上,提出了相似性保持因子分析(SP-MTL)模型。SP-MTL模型在多任务因子分析模型的基础上引入相似性约束,通过鉴别性先验知识的引入,在多任务因子分析模型不足以精确描述数据时可利用先验知识加以辅助学习,提升了模型参数的估计精度,从而对距离像进行了更精细地统计建模。另外,本文还将SP-MTL模型应用到了基于迁移学习理论的模型预测中。利用迁移学习的思想,将原有建模阶段的共享模型参数迁移至新观测数据的统计建模过程中,从而对模型预测起到辅助作用。