自动目标识别(Automatic Target Recognition,ATR)是现代信息化战争中不可缺少的探测手段,随着雷达成像技术和信息处理技术的发展,基于雷达高分辨率距离像(High Range Resolution Profile,HRRP)的目标识别成为研究的热点之一。为了解决人工提取HRRP的优良特征比较困难和HRRP的平移敏感问题,本文研究了基于卷积神经网络(ConvolutionalNeural Network,CNN)和一维频域平移不变特征融合算法的HRRP目标识别。首先介绍了 HRRP和CNN的相关背景知识,包括HRRP成像特点、HRRP的目标识别方法、CNN的起源发展、网络结构,以及Caffe深度学习库。在此基础上,针对人工提取HRRP优良特征比较困难的问题,研究了基于一维CNN的目标识别方法,利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中介绍了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了 CNN与其它分类器的识别结果,用可视化特征图直观地说明了 CNN通过卷积层能够学习到易于分辨的特征。针对HRRP的平移敏感问题,研究了基于一维频域平移不变特征融合算法的HRRP目标识别。该算法将三种一维频域平移不变特征进行加权求和,利用BP算法在网络训练过程中动态调整加权系数,从而得到最好的融合特征。在仿真实验中,比较了 FFT幅度、功率谱、差分功率谱、串联融合特征、平均加权融合特征和自适应加权融合特征的识别性能。实验结果表明:第一,CNN可以很好地从HRRP中学习到有用的特征,并且具有很好的识别性能;第二,自适应加权特征融合算法可以有效的优化加权系数,取得了很好的识别率。