雷达高分辨距离像（HRRP）是由各距离单元内的散射点子回波沿着雷达视线（LOS）方向投影的向量和的幅度构成。由于它反映了目标的结构信息，在雷达自动目标识别（RATR）领域中受到了广泛的关注。本论文主要围绕着国防预研项目以及国家自然科学基金等相关项目，针对HRRP的目标识别，从特征提取、分类器设计以及噪声环境下的稳健识别这三个方面进行了研究。论文主要内容概括如下：第一部分，给出了HRRP的基本概念，讨论了雷达HRRP目标识别的应用背景以及近年来的研究状况，并介绍了本文的研究工作。第二部分，基于散射点模型具体分析了HRRP的物理特性，介绍了一些常用的雷达HRRP统计模型，如自适应高斯分类器（AGC）、概率主成分分析（PPCA）模型和因子分析（FA）模型。然后结合雷达HRRP的统计模型提取了HRRP时域特征和频域特征，最后，进一步说明了雷达HRRP统计识别方法在小样本条件下和强噪声背景下的敏感性。第三部分，针对HRRP的识别问题，提出了一种基于时域特征的截断（Stick-Breaking）过程隐马尔可夫模型（TSB-HMM），并建立了基于TSB-HMM模型的分层识别算法，利用TSB-HMM模型结合时域特征和功率谱特征对HRRP进行分层识别。实验结果表明，该方法是一种有效的雷达HRRP识别方法，可较大提高目标的平均识别率。特别是在训练样本数极少的情况下，TSB-HMM模型仍能获得较好的识别性能。第四部分，我们首先提取了HRRP的谱图特征来提高目标识别率。谱图特征是一个两维特征，它反映了信号的频谱随着时间的变化。然后，我们引入了多任务（MTL）学习的思想，围绕HRRP的谱图特征建立了多任务TSB-HMM模型。在这个模型中，每个雷达目标的各角域之间共用大的隐参数集。基于多任务的TSB-HMM模型在估计参数时可以使用变分贝叶斯（VB）算法，缩短了训练数据比较多的情况下估计模型参数所需的时间。实验结果表明，相比时域特征，谱图特征不仅有更好识别性能，而且在拒判性能上也占优势。多任务学习相比单任务学习，能取得更好的识别效果。第五部分，为了改善基于统计建模的HRRP目标识别方法在噪声环境下的识别性能，我们提出了基于模型修正的识别新方法。该方法通过估计测试样本的信噪比，并据此对模板库内统计模型的参数进行相应修正，其中包含基于高斯模型的修正方法和基于非高斯模型修正的方法。修正之后，使得高信噪比下训练得到的统计模型能自适应地匹配低信噪比测试样本，从而实现雷达目标稳健识别。本文以AGC和TSB-HMM模型为例，分别给出了两种基于模型修正的识别方法的参数修正公式。实测数据的实验结果表明，该方法可以明显提高低信噪比条件下的识别率，并且该方法在测试样本信噪比估计误差较大的情况下仍能取得较好的识别性能。第六部分，建立了基于系因子分析（TFA）的HRRP识别方法，我们首先介绍了功率谱特征的提取，然后回顾了过去的FA模型，并在此基础上利用HRRP数据的功率谱特征构建了TFA模型。实验结果表明，相比FA方法，基于TFA的HRRP识别方法能有效地提高识别性能，在小样本的条件下具备较高的识别率，并具有良好的噪声稳健性。为工程应用提供了良好的基础。第七部分，对全文工作进行了总结，并对下一步工作提出了展望。