合成孔径雷达(Synthetic Aperture Radar，SAR)目前已经广泛应用于军事上的目标探测和民用的雷达主动遥感等领域。开展SAR图像自动目标识别(Automatic Target Recognition，ATR)技术的研究，突破SAR图像半自动、自动特征提取技术瓶颈，已经成为国家战略侦察、监视和预警以及精确打击武器型号发展中的迫切需求。本文基于运动和静止目标的捕获与识别(Movingand Stationary Target Acquisition and Recognition，MSTAR)数据库，进行了较全面的算法研究，为SAR特征提取及识别系统提出了一系列相关的新算法。从SAR图像的相干斑机理出发，研究了相干斑的幅相统计特性，给出了相干斑叠加后强度的分析，以及当地物散射系数作为常矢量和随机矢量与相干斑叠加后的统计分布特性的分析。在此基础上，分别从相干斑抑制、峰值特征提取、属性主散射中心提取、强度多边缘特征提取、幅相矢量的边缘特征提取、以及方位向提取等六个方面进行了研究，为目标识别提供了多特征融合的基础。最后，形成了一套不同特征提取条件下、不同识别要求下的SAR图像目标ATR算法，并得到了较好的评价指标。本文的主要研究内容有：　　 (1)在SAR图像噪声抑制方面，提出了一种改进的Gibbs马尔可夫随机场条件迭代(Improve Gibbs Markov Random Field-Iterated Conditional Mode，IGMRF-ICM)复原聚类算法。该算法在传统MRF图像模型的基础上，将像素强度值的变化引入马尔可夫随机场的势函数的定义中。在最大后验概率估计时，用Gamma分布代替传统的瑞利分布复原后向散射系数，达到抑制噪声的目的。同时，利用数字形态学理论中图像像素强度之间的相关性建立邻近模型，提出最大连通聚类算法，将目标较好的分割出来，使复原后的斑噪视数与原始的斑噪视数相似度达到90％以上，边缘特征保持指数达到80％。　　 (2)在峰值特征提取方面，提出了不经过SAR噪声抑制直接进行SAR图像目标峰值特征提取算法，给出了Gauss和Sinc函数峰值提取模型。同时用导数方程法和加权最小二乘法精确地提取目标的峰值参数，并对其进行了统计波动分析与比较。由于SAR回波成像的旁瓣效应，本文提出的Sinc峰值模型在统计波动分析中受噪声影响的波动方差与其它两种方法相比最小，在杂波下能有效地提取峰值。　　 (3)在属性主散射中心提取方面，提出了基于峰值模型的Clean的属性主散射中心提取法。由于峰值反映了散射中心的本质，因此由峰值之和得到的坐标值能有效地减少了对(x，y)初值的估计错误。通过距离向和方位向质心对属性主散射中心坐标分类后建立Koets属性主散射中心模型，并引入Clean算法的思想进行属性主散射中心提取，得到更为准确的主散射中心。　　 (4)在SAR图像边缘特征提取方面，提出基于强度泊松跳变的多边缘特征提取指数加权方向图(Ratio Of Exponentially Weighted Direction Map，ROEDM)算法。将多边缘指数加权均值比(Ratio Of Exponentially Weighted Averages，ROEWA)算子与Gabor函数相结合，利用Gabor函数具有的多方向特性在边缘强度图上确定边缘的方向，再用最大似然估计纠正错误的边缘方向，结合视觉细胞的倍频程计算出Gabor函数的最佳局域滤波参数，然后进行局域自适应Gabor滤波提取出SAR图像的正确边缘。实验验证该算法在多边缘较为接近时的边缘提取效果较好，边缘评价指数均有不同幅度的提高。　　 (5)提出了基于马尔可夫随机场和Rician分布的幅相矢量边缘特征提取的Gabor滤波算法(MRF-Rician-Gabor，MRG)算法。利用SAR图像相干斑的形成机理，在复原后的幅度上叠加相位信息后，引入Rician分布寻找最佳局域Gabor滤波器参数，对SAR图像进行目标提取。与以往仅仅基于幅度数据的算法相比，该算法充分利用了SAR图像幅度和相位中所携带的信息，能更准确地提取目标。　　 (6)在SAR图像方位角估计方面，提出了基于MRG边缘提取算法的Radon综合方位角估计算法。由目标的主轴确定目标所在的范围，分0度、180度和90度、270度两种判别方法对其进行目标阴影的综合判别，利用Radon变换得到两者的主轴信息。实验验证，Radon的综合判别算法的角度绝对误差均小于基于峰值的线性回归算法和包络盒的算法，验证了其算法的有效性和准确性。　　 (7)在SAR图像目标识别领域，提出了基于核主成分Fisher判别算法(Kernel PrincipleComponent Analysis-Fisher Discriminant，KPFD)和双向主成分Fisher判别算法(Two BidirectionalPCA-Fisher Discriminant，2BPFD)的多特征融合分类器算法。在特征融合分类器中，引入了KPFD和2BPFD两种模式识别算法。在决策层和度量层分别对特征融合分类器进行实验、排序后发现度量层的乘法规则在种类识别中的分类效果较好，与未进行特征融合时相比提高了至少1-2个百分点。同时将其应用到目标的型号识别中也得到很好的效果。由此，在SAR目标识别领域中提出：根据不同的目标和分类要求，可以先用本文的特征融合分类器进行有效性的实验排序后得到最佳的分类器，再在进行目标侦测中根据此类先验知识选用最佳的特征融合分类器进行识别，可以提高目标的识别率。