基于高分辨一维距离像(High Range Resolution Profile,HRRP)的雷达目标识别技术以其高实时性,易获取而且包含有雷达目标重要特征结构等优势,受到了国内外学者和科技人员的高度重视和青睐。本论文围绕极化雷达高分辨一维距离像目标识别和多分类器融合展开研究,主要研究内容与创新点如下:1.针对宽带多极化雷达,将高分辨一维距离像与极化信息相结合,获得目标在四种极化组态下的一维距离像并将其组成极化距离矩阵。该算法对目标进行全方位的特征抽取与建模以适应不同的姿态,有效降低了HRRP方位敏感特性带来的影响。同时,提出了采用直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,为后续的研究作铺垫。2.提出利用深度卷积神经网络对极化雷达目标高分辨一维距离像数据进行挖掘与识别。利用直接基于极化距离矩阵、Pauli分解和Freeman分解对极化距离矩阵进行目标特征提取,将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习。该方法不仅结合了不同的特征提取方式对极化距离矩阵进行特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了更深层次的组合和学习。仿真结果验证了该方法的有效性。3.研究基于改进上积分的多分类器雷达目标识别融合算法,该方法可以有效地表达单个基分类器和其组合分类器的重要性,同时,也能够表征各个分类器之间的协同作用。在理论上,此方法可以保证多分类器融合系统的分类识别率不低于任一个基分类器的识别率。实验证明该方法可以有效地提高雷达目标识别率。