合成孔径雷达（Synthetic Aperture Radar, SAR）不受天气、光照等条件的限制，能够宏观、长期、连续、实时地对海洋进行观测。随着SAR及其图像解译技术的发展，SAR图像舰船目标分类识别受到了广泛的关注，已成为海洋应用领域中一个重要研究方向。本文针对SAR图像舰船目标分类识别关键问题，从SAR图像分割、特征提取、特征选择与分类器设计等方面展开了较为深入的研究与探索。SAR舰船目标切片分割是进一步提取特征的基础。针对SAR图像中舰船目标存在的“方位向模糊”和“距离向扩展”等特点，提出了一种基于Radon变换的SAR舰船目标切片精细分割算法。该算法首先利用Radon变换将SAR图像中的舰船目标和“拖影”或“十字叉”分离，然后利用二维Otsu改进算法进行阈值分割。实际SAR图像分割实验结果表明，从目视效果和三个定量指标上，与Otsu、二维Otsu改进算法相比，本文算法可有效削弱“拖影”或“十字叉”的影响，提高分割性能。特征提取是SAR图像目标分类识别的关键。本文在SAR图像舰船目标几何结构和灰度统计特征提取基础上，深入分析了典型舰船目标的几何结构和电磁散射机理，提取了一种新的电磁散射特征—局部RCS密度特征。该特征是一种局部电磁散射特征，可反映舰船目标的几何结构与其SAR图像散射能量分布的对应关系，能较好地区分不同类别的舰船目标。特征选择与分类器设计是SAR图像舰船目标分类识别中不可或缺的处理环节。针对SAR图像舰船目标分类识别的特征选择问题，本文在分析Filter和Wrapper两种典型评价策略特点的基础上，提出了一种级联特征选择算法。该算法首先采用多准则Filter评价策略进行特征预选，然后采用Wrapper评价策略对预选特征集进行进一步精选，从而得到最优特征子集。该算法结合Filter和Wrapper评价策略的优点，既可改善Filter评价策略获得的优化特征子集规模较大的缺陷，又可降低Wrapper评价策略的巨大计算开销，从而实现快速准确的特征选择。针对分类器设计问题，在分析KNN、贝叶斯、BP神经网络以及SVM等典型分类器分类性能的基础上，设计了一种基于SVM的组合分类器。该组合分类器通过对KNN、贝叶斯以及BP神经网络三个成员分类器的分类结果进行基于SVM的非线性组合，可充分利用各个分类器之间的互补信息，改善分类识别性能。基于TerraSAR-X图像切片的舰船目标分类识别结果验证了级联特征选择算法以及基于SVM的组合分类器的性能。