现阶段,深度学习算法在基于高分辨率距离像(High Resolution Response Profile,HRRP)的雷达自动目标识别技术(Radar Automatic Target Recognition,RATR)应用中能够取得较传统方法更优的效果。已有研究方法或成果大多基于大量且完备的HRRP数据,但在实际应用场景中,雷达数据及其标注信息均较难获取,特别针对非配合目标,其数据极难获得,即使能够获得部分数据,也可能会出现由于信号干扰等因素导致的数据质量差的问题,这些问题都较大程度限制了由数据驱动的深度学习算法在HRRP目标识别中的应用。针对雷达应用场景中会出现的样本量不足、样本质量差的情况,本文从数据本身的角度出发,围绕雷达高分辨率距离像的生成方法展开研究。为了将已有的真实数据集拓展成为足以支持各种训练方法的样本集,本文通过引入图像翻译理论和监督信息的方式,构建了两阶段的生成模型,提出了基于生成对抗网络的雷达高分辨率距离像生成算法。本文的主要研究内容及创新点包括:第一,针对小样本雷达数据的目标识别任务,率先开展了基于生成对抗网络的雷达HRRP生成算法研究,使得生成模型更加受控,能够得到较为理想的生成数据;第二,借鉴图像翻译的理论,进一步地展开了基于图像翻译的雷达HRRP生成算法研究,使得生成样本在保留原始结构信息的同时,具有更多的风格变化,增强了样本的多样性;第三,借鉴模拟加无监督学习模型,展开了基于二次精炼模型的雷达HRRP生成算法研究,使得生成数据更加逼真,更加具有辨识度。最后,本文在不同真实数据集及不同样本条件下进行了实验,并通过不同的评价指标对各模型得到的生成数据的质量进行评估,实验结果表明,本文所提出的两阶段生成方案能有效拓展现有的真实数据集,一定程度上缓解人工智能雷达研究中因小样本而带来的一系列问题。