雷达自动目标识别(RATR)是雷达技术与模式识别技术相结合的一个领域,具有很重要的应用价值,因此近年来受到人们的广泛关注;在雷达领域,雷达高分辨距离像(HRRP)能够包含目标丰富的结构信息,这对目标的识别分类具有重要意义,再加上其易于获得、处理和存储等特征,使得对其的研究成为本领域的热点。在模式识别领域,传统的机器学习分类算法,尤其是我们常用的支撑向量机(SVM)算法,大多数是在批量学习模式下设计和工作的,但实际情况中,经常会遇到数据集过大的情况,这样批量学习会耗费大量的时间和空间资源,导致学习效率低。本文主要围绕国家自然科学基金的相关项目,从最大间隔监督学习理论、贝叶斯统计模型、贝叶斯模型的在线技术等方面展开了相关的理论技术研究。论文主要研究内容概括如下:1.针对雷达数据维度过高、存在特征冗余的问题,介绍了一种贝叶斯统计(数据降维)模型——最大间隔因子分析(MMFA)模型。该模型是将生成模型与判别模型统一在同一个贝叶斯框架下,对模型参数进行求解。此处,生成模型是因子分析(FA)模型,它可以描述数据在低维隐空间的信息,发掘其中具有的潜在共性特征,因此经常被用于数据的特征提取和降维。判别模型为隐变量支撑向量机(LVSVM)分类器。但是由于FA模型是一种非监督的模型,它所提取出的特征不一定适合于后端的分类,此处为了提高特征的可分性,我们将FA模型提取出的隐变量作为后端判别模型的输入,在模型求解过程中将FA模型和LVSVM分类器联合起来学习。由于受到后端分类器最大间隔的约束,此处确保了FA模型提取出特征在低维隐空间的可分性。在模型参数的求解中,我们采用的变分贝叶斯(VB)算法,该算法可以以较少的计算量估计模型参数,并且收敛性能好。2.针对识别过程中,数据集过大、学习效率低的问题,提出一种在线变分贝叶斯(Online VB)算法。传统的变分贝叶斯(VB)算法在学习模型参数的时候需要用到所有的样本,当数据量过大的时候,算法学习效率会非常低,并且当有新样本加入的时候,批量学习方法需要放弃之前的学习成果,再次收集所有样本,重新训练模型,耗费大量时间和空间资源。因此我们提出了针对最大边界因子分析(MMFA)模型的在线方法——Online VB算法。该方法是将样本集随机分成很多大小相同的子样本集,采用随机梯度下降方法优化目标函数。在大样本情况下,该方法比传统VB方法收敛速度更快,求解过程中,Online VB算法将变量分为全局变量和局部变量分别进行求解,其中仅全局变量求解过程与传统VB略有不同。