近年来神经网络集成已被广泛应用于图像处理领域且效果显著,特别是从大规模SAR数据中快速提取有用信息具有很好的表现。在神经网络集成学习和SAR图像处理相结合的基础上,本文研究了基于神经网络集成学习的SAR目标识别方法。主要研究内容及创新如下:首先,针对原始图像域进行特征提取存在特征维数较高、计算复杂和类别表征能力弱等缺陷,对其进行特征压缩和特征选择两大改进。在特征压缩的改进中:在SAR图像预处理阶段和特征提取阶段之间引入小波变换,提取目标类别信息表征能力强的低频成分,将SAR图像中的确定性的目标信息与随机的背景杂波、噪声等信息有效分离;然后采用Bi-2DPCA对低频子图像进行特征提取,消除行和列之间的冗余信息,得到具有很好类内凝聚性和类间差异性的低维目标特征。在特征选择的改进中:利用K-近邻法实现对训练样本的自适应特征选择和分类器的自适应训练。特征提取流程经过两大改进后,提取的最优目标特征不仅具有超低维性,还能获得较优的识别性能,对推广神经网络应用于SAR目标智能化识别具有重要意义。其次,通过实验仿真对比BP、PNN常用个体神经网络的SAR目标识别性能,选择实时性、稳定性更强的PNN作为后续集成的个体网络。为了解决原始PNN网络结构复杂及训练算法非自适应等问题,提出了基于近邻子空间的自适应训练算法。仿真实验发现改进的自适应PNN识别效率、识别正确率更优。最后,为了克服自适应PNN泛化能力弱、识别结果不稳定的缺点,结合集成学习的思想,提出了基于Bagging算法集成PNN的自适应识别方法,经仿真实验验证Bagging-PNN可有效改善识别效率、识别正确率、泛化能力和识别结果稳定性。基于MSTAR SAR实验样本集进行了全面仿真实验,证明了本文算法应用于SAR目标识别是有效和实用的。