En los últimos años, el reconocimiento automático de objetivos por radar (RATR) utilizando perfiles de rango de alta resolución (HRRPs) ha recibido una atención significativa. Los enfoques basados en aprendizaje profundo han demostrado una eficacia notable en tareas de reconocimiento de HRRP. Sin embargo, el rendimiento de las redes neuronales es notablemente vulnerable al ruido, lo que conlleva un efecto perjudicial en su precisión de reconocimiento y robustez general. Para abordar este problema, se propone una red de atención de dispersión residual (RSAN) para el reconocimiento de objetivos HRRP, que consta de una red de dispersión residual, ResNet18, y un módulo de autoatención. La red de dispersión residual está diseñada para suprimir componentes de ruido y extraer características robustas al ruido. Se deriva de la mejora de una red de dispersión y no necesita aprender parámetros de los datos. ResNet18 se emplea con el propósito de extraer una representación profunda de características de dispersión para HRRP. Además, se integra un módulo de autoatención en ResNet18, lo que permite que el modelo se centre en regiones objetivo, mejorando así su capacidad de aprendizaje de características. La efectividad y robustez al ruido del método propuesto se validan a través de experimentos realizados en dos conjuntos de datos medidos.