随着合成孔径雷达(SAR)技术的飞速发展和载装平台的多样化,战场环境的实时监测已成为可能。尤其是当SAR图像的分辨率达到了亚分米级,已具备了战场车辆目标(比如坦克、装甲车、卡车、导弹发射车等)的快速发现和分类识别能力。因此,如何基于高分辨率SAR图像实现车辆目标的判读处理已经成为战场信息处理中亟待解决的关键问题。其中,目标特征提取技术是SAR图像车辆目标判读处理的核心,所提取特征的可区分能力和普适性很大程度上影响SAR图像车辆目标鉴别虚警率,以及分类准确度。本文主要针对SAR图像车辆目标检测过程中普遍存在的高虚警概率问题,分析车辆目标和背景地物在SAR图像上的现象学差异,采用分形的理论实现上述差异性现象学特性的定量表征,并以此实现车辆目标和自然地物的辨别。论文综述了分形理论的基本概念、物理性质、研究现状和发展趋势。结合SAR成像过程中其成像对象具有复杂多变的后向散射特性,以及车辆目标像素强度在SAR图像上呈现出剧烈起伏的特性和较明显的间隙尺寸,指出欧氏几何在描述上述现象的局限性。并总结了基于分形理论定量表征车辆目标特征的物理量,如分形维数特征、扩展分形特征和间隙度特征。然后,论文重点研究了如何基于分形理论提取车辆目标的多种间隙度特征的问题。文中在对现有间隙度特征鉴别性能进行分析的基础之上提出了二重方差间隙度特征。该特征定义盒子质量为盒子内像素幅度值的方差,再计算盒子质量的标准方差,得到整个切片内像素集合的二重方差,以此作为一种新的间隙度特征量。多种实测数据的对比分析实验表明二重方差间隙度特征提升了对SAR图像车辆目标的鉴别性能,具有较好的稳定性。论文通过挖掘车辆目标和自然地物在高分辨率SAR图像上呈现的显著性差异,基于分形理论的度量方式,提出了一种高维分层间隙度特征矢量。该特征矢量能够在不同尺度上定量描述车辆目标边缘轮廓的间隙度和目标像素的不规则程度,用于消除目标提取过程中由自然地物产生的虚警。该特征矢量的计算过程中,首先对待测切片数据进行线性变换,统一其像素的灰度动态范围;然后对其由中心向四周扩散分层,以每一层的像素幅度方差作为高维分层间隙度特征矢量的一维分量;最后用模糊C均值聚类方法将高维分层间隙度特征矢量进行聚类处理,并利用聚类隶属度函数实现车辆目标与背景地物的鉴别。论文采用仿真SAR图像数据、MSTAR数据库和国内自主的机载SAR图像数据测试了文中提取的多种间隙度特征的鉴别性能,并对它们进行了对比分析。