在如今日益复杂的地面战场环境下,利用传统雷达信号处理技术已无法实现对地面目标的准确探测,因此对雷达目标识别技术的需求愈加迫切。高分辨一维距离像可以提供目标在雷达视线上的结构信息,其成像条件简单、容易获取且运算与存储压力小的特点,使得基于高分辨一维距离像的雷达地面目标识别技术受到了广泛的关注和研究。目前,基于高分辨一维距离像的目标识别技术已经取得了一定的进展与突破,但是针对弹载这一特定的应用场合,目标非合作性导致的训练模板库非完备问题,地面目标相似导致的特征向量低可分性问题,复杂地面战场环境导致的低信噪比与假目标干扰问题,特征空间分布的随机性导致的分类边界不准确问题,严重地影响了目标识别的总体性能。本论文以实现复杂战场环境下的目标识别为出发点,围绕上述弹载雷达地面目标识别中存在的问题展开研究。具体包括以下几个方面:1.为解决雷达地面目标高分辨一维距离像识别中,非合作目标模板库非完备的问题,提出一种基于混合模型的雷达非合作目标高分辨一维距离像仿真方法。本方法基于模型匹配目标识别基本思想,利用有限的目标信息进行建模仿真,从而构建完备的目标训练模板库。本方法通过构建目标精细化散射点模型,并利用时域高频电磁散射计算方法获得散射点的散射强度,同时基于距离单元服从的统计分布特性,建立散射点间的统计相关性,以实现目标高分辨一维距离像电磁散射特性与统计分布特性的兼顾。通过与目标实测数据的对比,本方法所生成的目标高分辨一维距离像与实测目标数据具有较高的相似性。利用本方法生成识别模板库,并基于实测数据进行测试,验证了本方法在目标识别中的有效性。2.为提取高分辨一维距离像的低维度、高可分性特征,提出基于统计核函数相关判别分析的特征提取算法。本算法通过对目标高分辨一维距离像距离单元统计特性的分析,分别构建距离单元理想统计模型与非理想统计模型下的统计核函数,对不同统计模型下的目标特性进行描述,从而实现最小信息损失的特征分量提取。以此为基础,基于可分性判别分析与典型相关分析理论构建特征融合准则函数,实现特征空间中类内相关性与类间差异性最大化,同时减少目标特征中的冗余信息,保证特征向量的低维度特性。利用实测数据对本算法进行验证,结果表明,在保证目标特征向量低维度的条件下,本算法有效地提高了特征向量的可分性,从而改善了高分辨一维距离像目标识别系统的总体性能。3.为提高低信噪比下高分辨一维距离像目标识别性能,提出基于稀疏-低秩联合学习的噪声稳健目标识别方法。本方法通过对稀疏、低秩的联合表示,实现对目标高分辨一维距离像局部特征与全局特征的提取。以此为基础,在训练阶段利用支持向量理论与字典学习原理,对特征提取字典进行优化,从而提高特征向量的可分性;此外,为了更加精确的对目标特征空间进行描述,结合机器学习理论,采用基于联合可分性分析的多分类器加权融合字典学习方法,进一步提高本模型的识别性能。在测试阶段,利用因子分析模型匹配方法对去噪声字典进行优化,从而实现对噪声的有效抑制,保证了目标识别系统的噪声稳健性。实验结果表明,本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像,并实现较高的识别正确率。4.针对雷达地面目标高分辨一维距离像识别中的目标鉴别问题,构建一种基于聚类-空间描述的目标鉴别器。在训练阶段利用基于相关系数预处理的K-Means聚类方法对库内目标特征空间进行区域划分;针对特征向量的多区域聚合性,采用改进的支持向量域描述方法确定特征空间边界;最终利用特征空间边界与加权K近邻原则实现目标鉴别。本方法解决了库内目标与库外目标的鉴别问题,完善了目标识别系统的功能。通过对训练特征空间的区域划分,在有效地减小了运算复杂度的基础上,实现了更为精确的特征空间描述。最后通过实测数据进行实验,验证了本方法具备优良的鉴别性能与实时处理能力。5.为实现雷达高分辨一维距离像目标识别中鉴别与分类的联合处理,构建一种基于多重支持向量模型的目标识别器。根据目标高分辨一维距离像特征空间的密度分布,对基于密度敏感的多重支持向量模型进行组合优化,实现对特征空间的区域分割,并构建多个子分类超平面,实现对不同密度、不同类别目标的特征空间区域划分,以得到更为精细化的目标特征空间描述。本方法有效地解决了特征空间密度分布非均匀给目标识别带来的分类偏差问题,同时实现了目标鉴别与分类的融合。此外,本方法基于支持向量模型,内存需求少、计算复杂度低,适合目标识别系统的实际工程应用。利用实测数据得到的实验结果表明,本方法具有良好的目标鉴别与目标分类性能,并具备一定的工程实用化潜力。