合成孔径雷达（SAR）成像技术具有全天时、全天候、分辨率高、探测距离远、穿透云雾植被等优势,是一种先进的雷达信息获取方式,具有重要的军事和民用价值。而SAR图像的特征会随着不同的配置条件发生明显的变化,使得SAR图像的目标识别任务不像光学图像那样容易。此外,随着SAR成像技术的发展,雷达图像所包含的数据量越来越大,给SAR图像的解译增加了难度。如何识别雷达图像中的物体并对目标进行分类是雷达图像解译中一个亟待解决的问题。本论文主要研究应用联合稀疏表示模型和深度学习技术对SAR图像中的目标进行识别的方法。联合稀疏表示模型不仅可以表示单个任务,也可以融合多个任务的内在联系,发挥它们的互补优势。深度学习作为近年来提出的机器学习方法受到了广泛的关注与应用。深度学习模型具有逐层次学习特征的能力,通过多层的非线性网络结构学习原始数据的深层次特征,从而有效提高对目标的识别能力。论文的主要创新性工作:（1）针对SAR图像单一特征提取方法所具有片面性和局限性,一种基于多任务压缩感知的多个互补特征联合分类的目标识别方法被提出。该方法分别采用主成分分析、椭圆傅里叶描述子和方位敏感图像描述原始SAR图像的密度分布、目标形状和电磁特性。这三个特征从不同的角度描述了原始SAR图像,它们的联合使用为区分不同类别的目标提供更多的依据。随后,基于多任务压缩感知对这三个特征进行联合分类,进一步挖掘其个体差异和内在联系,提高识别性能。（2）为了提高目标被识别的效率和对噪声的抗干扰性,一种基于多级主散射图像（DSIs）的多层次方法被提出。首先,通过在原始图像中选取一定数量的主散射点来产生主散射图像,它们描述了主要散射中心的相对位置和幅度,可以更好地区分不同目标的类别。而背景噪声相对于主散射点通常具有较低的密度,通过选取主散射点产生主散射图像可去除背景噪声。其次,对测试样本的多级DSIs进行预筛选,保留明显体现当前测试样本特征的DSIs用于目标分类。最后利用联合稀疏表示对所选的多级DSIs进行联合分类。实验结果表明该方法不仅可以提高分类效率,而且还可以有效地消除强度较低的背景噪声。（3）了解决可靠性较弱的决策导致最终决策融合的识别效果变差的问题,我们将可靠性分析引入基于决策融合的SAR目标识别方法中。首先根据融合策略设计决策可靠性水平,保留可靠性水平高的决策参与最终的决策融合。为了验证可靠性分析的有效性,将此分别应用于多特征决策融合以及多分类器决策融合中,实验结果表明,与直接进行决策融合的方法相比,该方法具有较高的识别率。（4）围绕MSTAR小样本数据集难以满足深度学习训练的要求,以及残差网络结构固有的冗余缺陷,提出了基于稠密残差拓扑结构的网络模型。该模型通过稠密连接的方式把残差块连接起来,把逐层学习的SAR图像特征跨层连接到其后各层,避免残差网络的深度冗余问题。同时,该模型可以进一步缓解网络的梯度消失和梯度爆炸问题。针对MSTAR数据集样本容量少的问题,采用镜像、平移、缩放、旋转、加噪等方式对数据集进行增强,保证了训练网络所需的输入量,避免过拟合现象。