合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候和对地表具有一定穿透力的特点,因而在战场监视、防空反导、战略预警等领域发挥着重要作用。自动目标识别技术(Automatic Target Recognition)作为SAR图像解译的关键环节,对于战场情报的实时获取起着至关重要的作用。自20世纪80年代以来,国内外的学者围绕SAR目标识别问题开展了大量富有成效的研究,取得了长足的进展。随着SAR数据获取能力的快速提升、SAR图像分辨率的不断提高,海量SAR数据的解译问题对SAR图像解译能力提出了更高的要求。因此,不断研究SAR目标识别技术,提高SAR目标识别性能具有十分重要的意义。本文在系统性地分析SAR目标识别的研究现状的基础上通过总结和分析前人针对SAR目标识别的研究成果,从特征提取和分类器设计两个方面入手提高SAR目标识别的性能。论文的主要研究工作包括:一、系统回顾了SAR自动目标识别的发展历程以及SAR自动目标识别的代表性系统,充分论证了研究SAR目标识别技术的重要性。二、针对SAR目标识别中的两项关键技术,即特征提取和分类器设计,进行充分细致得介绍。总结归纳了现有的SAR图像特征提取方法,并对它们的特点和优缺点进行了分析。列举了SAR目标识别中代表性的分类器,并对它们的原理进行了简要的介绍。通过对SAR图像特征提取和分类器两方面的分析,认为选取的特征和分类器的有机结合以及有效的特征决策融合是提高SAR目标识别性能的可行途径。三、提出了基于多层次主散射图像联合稀疏表示的SAR目标识别方法。该方法采用多层次的主散射图像作为描述目标的基本特征。多层次主散射图像可以细致描述目标散射中心的空间分布规律和相对强弱关系,并且一定程度上反映了目标的几何外形,因此对于目标识别具有较强的鉴别力。基于Bayesian多任务学习算法采用联合稀疏表示的方法对多层次主散射图像进行识别。联合稀疏表示可以有效利用单个层次的主散射图像的鉴别力同时发掘各个层次之间的内在关联,可以有效提高目标识别性能。在MSTAR数据集上的多个识别场景对提出算法进行了测试,证明了方法的有效性。四、提出了基于互补特征决策融合的SAR目标识别方法。采用PCA(Principal Component Analysis)特征、目标轮廓特征和目标峰值特征分别描述目标的全局特性、几何外形和局部特性。这三类特征从不同方面描述了SAR目标因此具有良好的互补性,可以为SAR目标识别提供更多的鉴别力信息。针对各个特征的特点,针对性的设计了相应的分类策略。基于D-S证据理论对三类特征的决策结果进行融合以得到更可靠的识别结果。在MSTAR数据集上的多个识别场景对提出算法进行了测试,证明了方法的有效性。