通过宽带雷达获取的高分辨距离像(HRRP)数据具备较高的分辨率,包含精细的目标特征与充分的目标信息,同时又易于获取与处理,因而被广泛应用于雷达目标识别。而深度学习作为近年的热点研究方法,能够学习复杂环境中数据的内在规律,通过深度神经网络提取的HRRP特征可以提高目标识别性能。但在实际的目标识别场景中,雷达回波数据需要实时更新,并且任务可能随着环境发生变化。为了保证连续任务下深度模型的实时更新效率与特征记忆能力,避免深度网络中的灾难性遗忘问题,需要探索可连续学习的算法,实现高效的多任务学习。因此,本文围绕连续学习算法,对可连续学习的HRRP目标识别方法进行研究,具体内容如下:1.介绍了本文所研究HRRP数据的基本概念,分析其具备的三种敏感性与相应的预处理方法。介绍了用于提取HRRP特征的神经网络发展历程,并对基于深层神经网络的连续学习方法进行探讨。2.研究了基于参数记忆的可连续学习HRRP目标识别。详细介绍了两种通过网络参数以记忆过往任务特性的可连续学习方法——弹性权重固化(EWC),变分连续学习(VCL)。EWC借鉴生物学中的突触机制,根据参数重要性对旧任务信息进行弹性保留,但由于网络权值为常数,模型表征能力有限。通过变分分布,VCL进一步引入权值不确定性,结合在线变分推理与蒙特卡洛变分推理,增强网络对复杂任务的表征性能,实现连续学习。针对雷达HRRP数据特性,本文对基于VCL框架的可连续学习HRRP目标识别方法进行研究。并通过MNIST数据集验证了EWC与VCL的连续学习能力,通过HRRP实测数据验证了基于参数记忆的目标识别方法具备有效性。3.研究了基于动态网络的可连续学习HRRP目标识别。详细介绍了两种通过扩展网络进行持续学习的网络结构——增加子网络以保留预训练模型的渐进神经网络(PNN),根据任务选择性共享与新增网络节点的动态可扩展网络(DEN),并应用于雷达HRRP目标识别任务。针对现有动态网络中待学习参数过多、结构冗余的问题,本文提出了一种无需人工调试的超参自学习算法,用于自动选择合适的超参数配置与最优的网络结构,有效控制网络参数量,并结合其在连续任务中的应用,进一步提出能够实现动态网络参数自学习(DNSL)的可连续学习HRRP目标识别方法。并通过MNIST数据集与HRRP实测数据对分别基于参数记忆与动态网络的两大类可连续学习方法进行了对比分析。实验结果证明,本文提出的方法能充分降低网络参数量,同时提高网络的连续学习能力,实现高性能的可连续HRRP目标识别。