摘要：現(xiàn)有低分辨雷達(dá)目標(biāo)識(shí)別方法,通常采用先特征提取、再進(jìn)行目標(biāo)分類的兩步識(shí)別算法,這種算法存在識(shí)別率難以提高和方法泛化性不足的問(wèn)題,對(duì)此,提出一種增強(qiáng)條件生成對(duì)抗網(wǎng)絡(luò)(strengthening condition generative adversarial network,SCGAN)+卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的低分辨雷達(dá)目標(biāo)一步識(shí)別算法。該算法利用CNN自動(dòng)獲取采樣數(shù)據(jù)深層本質(zhì)特征,無(wú)需特征提取,實(shí)現(xiàn)對(duì)目標(biāo)的一步識(shí)別。為進(jìn)一步提高小樣本條件下的識(shí)別效果,基于CGAN理論來(lái)提高樣本在特征空間的覆蓋程度,并對(duì)CGAN的判別器進(jìn)行改進(jìn),在損失函數(shù)中增加混疊懲戒項(xiàng),通過(guò)SCGAN生成不混疊的生成樣本來(lái)更好地訓(xùn)練CNN,提高其在小樣本條件下的識(shí)別能力。仿真對(duì)比實(shí)驗(yàn)校驗(yàn)了一步識(shí)別算法較傳統(tǒng)兩步識(shí)別算法的優(yōu)越性,以及SCGAN+CNN的低分辨雷達(dá)目標(biāo)一步識(shí)別算法在小樣本條件下的有效性。