雷达自发明至今已经在诸多领域发挥了极其重要的作用,大量雷达技术得到了飞速发展。人们对雷达新技术的探索也在不断进行,现存的雷达目标检测已经远远不能满足雷达探测技术的需要,加上宽带雷达技术日益成熟,更要求雷达能完成目标的识别。因此,雷达目标识别技术已经成为目标识别领域研究的重点。高分辨率一维距离像(HRRP)是宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和,它不仅提供了目标的几何形状和结构特点,还包含很多目标识别的关键特征。因此利用高分辨距离像进行目标识别已经成为雷达目标识别领域的热点。本文针对船舰模型的高分辨距离像在数据仿真、特征提取、基于卷积神经网的目标识别方面进行了研究和实验。首先,对高分辨距离像的基本理论进行了研究,分析了高分辨距离像的成像原理,对高分辨距离像的图像特性进行分析讨论,针对高分辨距离像图像特性中的幅度敏感性、姿态敏感性和平移敏感性三大敏感性问题,分析了三大敏感性问题的产生原因并提出了相应的解决方法,结果表明经过处理后的高分辨距离像能较好的解决自身的敏感性问题。其次,对高分辨距离像的获取方法进行了讨论,其获取方法主要可以分为实际测量法和理论仿真法,其中实际测量法又包括外场实测法和紧凑场测量法。理论仿真法则较多,主要可分为利用专业的电磁仿真软件,构建模型,通过仿真得到距离像和利用点散射模型进行仿真得到目标的距离像。本文主要采用理论仿真的方法,利用电磁仿真软件FEKO及其相应高频算法,仿真了海面环境下船舰目标不同姿态角下的高分辨距离像,对比了 FEKO软件中高频算法的仿真效率和极化方式对仿真的高分辨距离像的影响。实验结果表明在海面环境下利用FEKO软件仿真高分辨距离像的方法仍具有有效性,可以用于接下来的仿真实验。再次,对高分辨距离像特征提取方法进行了研究。分析了主成分分析法、线性判别分析法、核主成分分析法的原理,在此基础上提出了一种基于核函数的双向二维主成分分析法,利用各种特征提取方法提取了高分辨距离像的子空间特征,最后利用支持向量机分类器对不同方法提取的特征信息进行分类,分析比较了各个算法的分类能力以及姿态角变化对识别率的影响。实验结果表明,本文提出的算法在识别率方面有很大提高,并且在姿态角范围缩小时的提升更加明显。最后,引入深度学习的卷积神经网络方法,对船舰目标的高分辨距离像进行目标识别。介绍了卷积神经网络的发展历程和工作原理以及TensorFlow深度学习系统,利用TensorFlow系统搭建了完整的卷积神经网络,在原始卷积神经网络结构的基础上改进了卷积神经网络结构,提出了一种双通道并行的卷积神经网络结构模型。通过优化激活函数和深度学习参数,充分提取高分辨距离像所包含的目标深层次属性特征,实现自动特征提取,最终构造最优的网络结构。在仿真实验中,分析了不同的网络配置方式、激活函数和学习率等因素对卷积神经网络分类能力的影响,对比卷积神经网络与改进的卷积神经网络的识别准确率,实验结果表明,改进的卷积神经网络有着更高的识别率和鲁棒性。