合成孔径雷达(Synthetic aperture radar,SAR)作为一种具有高分辨率的观测手段,其目标分类技术在军事侦查和农业探测等多个领域发挥着重要的作用。然而,SAR图像相对光学图像仍具有固有的特点,并且随着雷达技术的不断发展其数据规模也不断增大,导致通过人工判读进行目标分类的方式面临着巨大的挑战,因此,基于神经网络的SAR图像目标的分类方法受到了广泛的关注。目前,对于SAR图像目标分类的研究主要致力于提高准确性,大多采用复杂的神经网络算法。虽然可以完成特征提取与目标分类,并且在一定程度上也会提高目标分类的准确率,但是算法主要依赖于大量的样本数据,且不能同时保证准确率与效率。而SAR图像的采集条件与成像机制较为特殊,具有样本量较小、特征维度较高的特点,因此,本文针对目标分类算法的精度与实时性不能同时兼顾的问题展开研究,提出一种集成特征降维与随机神经网络的目标分类算法。同时,由于目标分类算法在训练过程中易发生过拟合问题,本文对随机神经网络中最前沿的随机配置网络(stochastic configuration network,SCN)通过添加正则化进行改进,不仅抑制了过拟合问题而且提升了准确率。实验结果表明,本文提出的算法可以满足SAR图像目标分类对于算法的高精度要求。本论文的研究内容如下:本论文首先介绍了SAR图像目标分类项目的选题背景,并总结了SAR目标分类技术在国内外的研究现状,阐述了目前算法所存在的问题与难点,并强调了设计一种高分类准确率的SAR图像目标分类算法的必要性。之后介绍了SAR图像的特征提取方法,由于SAR图像具有固有的特点并且特征维数较高,因此,提出采用双向2DPCA算法对SAR图像进行特征提取。该方法不仅不会破坏图像的二维结构,并且在提取有效特征信息的同时可以减少图像的特征维度,能够提升后续的目标分类算法的性能。最后,本论文介绍了随机神经网络的发展历程以及相对于复杂神经网络在SAR图像目标分类中的优势。并针对随机配置网络所存在的泛化能力上的局限性提出了一种基于L2正则化约束的改进算法,抑制了在网络训练过程中发生过拟合问题,提升了网络的鲁棒性,使其可以满足SAR图像目标分类算法的高精度要求。基于此,本论文提出一种集成双向2DPCA与改进的SCN算法作为SAR图像目标分类算法,并介绍了该算法的结构与流程。并通过实验对比,比较了本文提出算法与原始随机配置网络以及传统方法对SAR图像目标分类的结果,实验结果表明,本论文提出的算法对于SAR图像目标分类具有较高的分类准确率,且有效的提升了网络的效率,并且增强了网络的鲁棒性与泛化能力。