随着现代信息化技术的快速发展,雷达自动目标识别已经成为了雷达发展的一个重点方向。低分辨雷达的回波信息有限,其目标识别虽然只能做到对目标的简单分类,但其技术成熟,且我国的现役雷达大部分是低分辨雷达,研究低分辨雷达目标的分类识别在目前的雷达系统中仍然具有重要的军事和民用意义。本文围绕基于低分辨雷达运动目标的分类识别,提取了目标的多种特征,通过训练分类器实现了对目标的稳健分类。本文主要工作分为以下几个方面:1.针对雷达目标识别的预处理流程,研究了MTI和CLEAN算法进行杂波抑制处理,通过比较两种算法的杂波抑制效果,分析了两者的优缺点,并给出了各自适用的场景。然后基于微多普勒效应的原理,分析了车轮和人体的微运动。2.根据不同目标多普勒谱形状上的差异性,提取了多个特征量;利用目标回波谐波在能量分布上的不同,提出了基于信号特征谱和CLEAN谐波分解的特征提取方法,并提取最大特征值占特征值总和之比等相关特征。在分析了短时傅里叶变换等三种时频分析方法的原理及优缺点后,提取平均时频图图像熵等特征,使用实测数据讨论目标基于每个特征的分布情况。3.实际情况中低信噪比影响上述特征的分类效果,由此提出了基于相对RCS与分形维数的特征提取方法,实验证明在低信噪比条件下目标相对RCS和分形维数能够有效地分类目标。4.分别使用K近邻分类器和支持向量机,在不同的信噪比条件下对目标使用单一特征量和组合特征量进行分类,分类结果表明了支持向量机的分类结果优于K近邻分类器,且通过合适地组合特征量可以改善单一特征的分类效果。通过比较多组特征量组合的分类效果,多普勒频谱熵、时频图像熵和时频能量曲线熵组合的分类效果最好,正确率为94.662%,随着信噪比的降低其正确率也逐渐降低;相对RCS的分类效果不受信噪比的影响,在低信噪比的条件下仍然可以达到100%正确率的分类效果,证明了本文讨论的特征提取方法的可行性与可靠性。