本报告从低复杂度统计建模的角度，提出了一种基于标签约束多任务卷积因子分析（MTL-LCCFA）模型的雷达HRRP识别方法。MTL-LCCFA将HRRP样本表示为多个低维字典原子与相应权向量的卷积和，且各样本所需的字典原子通过贝塔过程稀疏先验从一个由所有数据联合学习的字典中自动选择得到。一方面，字典原子作为卷积核，可以挖掘反映数据本质的局部结构信息，进而共享性较强、能够使模型以较少的字典原子表征所有数据；另一方面，与传统模型对各目标各方位帧HRRP独立建模不同，MTL-LCCFA采用所有HRRP共同学习卷积字典的多任务学习机制，能够避免字典原子冗余，进一步减少字典原子数。由于较小的字典原子尺度和较少的字典原子个数，MTL-LCCFA复杂度较低，更适用于小样本识别问题。此外，MTL-LCCFA还利用额外的标签信息约束参数的学习过程，增大了不同类模型参数的差异，增强了模型的类间可分性，有利于小样本识别能力的更大提升。基于三类飞机目标实测HRRP数据的统计识别结果表明，所提模型具有较好的小样本稳健性。每帧仅有30个训练样本时，MTL-LCCFA的识别准确率仍能达到85%，比传统模型高12%左右。相关研究成果已在Pattern Recognition、Information Sciences等期刊上发表。

      除构建低复杂度模型外，未来研究还将从跨域迁移学习的角度，利用合适的源域数据辅助目标域模型对HRRP数据的学习，实现小样本情况下识别率的提升，并对不同小样本识别方法的适用范围进行分析、总结。