1.一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，具体包括以下步骤：步骤1：通过高分辨率宽带雷达获取雷达目标高分辨距离像并作功率归一化，将HRRP数据分为训练样本集和测试样本集；步骤2：对每类目标的部分训练样本加入不同信噪比的噪声，剩余训练样本不变，再将所有目标类型的整个训练样本集归一化到(0,1)区间；步骤3：将步骤2得到的训练样本用于待训练的卷积神经网络的训练，以得到训练好的卷积神经网络，其中，待训练的卷积神经网络结合了残差块、inception结构和降噪自编码层；待训练的卷积神经网络的残差块中加入捷径改变数据流向，增加网络深度来降低噪声影响，残差块包含的卷积层个数和卷积层的核参数都能够调节；待训练的卷积神经网络的inception结构使用了多个子模块，并将核尺寸1、3和5的卷积运算和池化操作并联，通过增加网络对尺度的适应性及网络宽度来更好地学习特征；待训练的卷积神经网络的降噪自编码器层通过近似还原降噪自编码器层的输入以消除噪声，其中隐含层的数量和节点数能够调节；步骤4：将被噪声污染的不同信噪比条件下的测试样本按照步骤2的归一化参数进行归一化，再用步骤3训练得到的卷积神经网络进行识别，得到识别结果。
2.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤1中每个雷达目标的HRRP数据均是一个m维列向量。
3.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤2中对每类目标的部分训练样本加入不同信噪比的噪声，其中噪声类型、噪声大小、加入噪声样本数量都能够调节来适应不同应用场景。
4.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤2中的归一化是在数据同一维度进行标准化处理，将每一行数据分别标准化到区间[y min ,y max ]内，其计算公式是：式中：y——归一化输出，y min ——归一化区间的最小值,y max ——归一化区间的最大值，x——输入维度值，x max ——输入维度在样本中最大值，x min ——输入维度在样本中最小值。
5.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中的待训练的卷积神经网络中的残差块和inception结构的数量和位置能够调节来适应不同应用场景。
6.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中的待训练卷积神经网络的降噪自编码器层通过近似还原该层输入以消除噪声，会放在网络的较高隐藏层，即位于最后的全连接层部分。
7.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中待训练的卷积神经网络中的残差块放在网络前端经过重复堆叠以增加网络深度提取深层特征，且待训练卷积神经网络使用了两个残差块,之后链接了一个inception结构来更好地学习残差块提取的特征，通过增加网络宽度来增强网络性能，待训练卷积神经网络的最后一个卷积层是为了降低数据维数，并且在最后一个卷积层后链接了一层降噪自编码器以降低噪声影响。
8.根据权利要求1所述的一种噪声环境下的雷达目标HRRP鲁棒识别方法，其特征在于，所述步骤3中网络的损失函数L选择交叉熵函数并加入降噪自编码器层输入输出间的均方误差函数，式中：L——新的损失函数，L * ——网络交叉熵损失函数,D——样本维数，m b ——批训练样本个数, ——样本i对应的标签, ——样本i经过网络后得到的输出层标签, ——降噪自编码器层输入， ——降噪自编码器层输出，α——超参数控制降噪自编码器层损失函数占总体的权重。
