雷达自动目标识别(RATR)是雷达技术和模式识别技术相结合的一个领域,在军事和民用方面都具有非常重要的应用价值,近年来受到广泛关注。而雷达高分辨距离像(HRRP)因其包含目标信息丰富,具有易于存储和计算等优势,在雷达自动目标识别中成为研究热点。目标识别方法大致可以分为基于生成模型的识别方法和基于判别模型的识别方法,前者着重刻画数据的概率分布特征,后者则主要描述不同类别数据之间的差异及分类界面。将生成模型与判别模型相结合的识别方法能够兼具二者优势,提高识别性能。本论文主要围绕国防预研项目,从贝叶斯统计学习、最大间隔正则化模型、贝叶斯非参数技术等方面进行了研究。论文主要研究内容概括如下:1、因子分析(FA)模型是一种无监督的生成模型,具有良好的数据描述能力,然而其识别过程没有考虑不同类别数据之间的差异。为了提升FA模型的识别性能,最大间隔因子分析(MMFA)模型提出将FA模型与隐变量支持向量机(LVSVM)相结合,在子空间建立最大间隔约束。MMFA模型将样本隐变量作为SVM输入,该做法造成了一定程度上的信息损失,同时将所有样本投影在同一子空间并不能准确描述数据分布。针对以上问题,本文提出了最大间隔正则化因子分析(MMRFA)模型,将FA模型与LVSVM模型在原始空间内进行结合,对FA模型的重构变量建立最大间隔准则的约束。MMRFA模型既保留了数据几乎所有信息又确保了重构向量的可分性,有利于提升模型识别性能。进一步,为了解决MMRFA的模型选择问题,将BPFA模型与LVSVM相结合,提出最大间隔正则化Beta过程因子分析(MMRBPFA)模型。MMRBPFA模型能够实现模型自动选择,提升模型稳健型和推广性。2、针对雷达HRRP数据样本呈多模分布且线性不可分的问题,本文提出了贝叶斯核支持向量机(BKSVM)模型以及狄利克雷过程贝叶斯核支持向量机(DPBKSVM)模型,并基于这两种模型提出了目标识别框架。BKSVM模型是核SVM在贝叶斯概率框架下的推广,通过对拉格朗日系数提出分布假设以及利用增广隐变量技术,将核SVM优化目标函数转化为后验概率的优化,便于将核SVM与其他统计识别模型相结合。进一步,为了解决多模分布数据的非线性识别问题,提出了Dirichlet过程贝叶斯核支持向量机(DPBKSVM)模型,将聚类过程DP与BKSVM结合,在每个聚类上建立非线性分类器,子集上的分类结果会对聚类起到监督作用。DPBKSVM在描述数据分布的同时兼具了分类能力,从而提升了模型的识别性能。