合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动微波相干成像雷达,它分别利用距离向的脉冲压缩技术和方位向的综合孔径技术来实现较高的空间分辨率。相比于其他光学、红外等传感器,SAR不受外界天气、光照等条件的约束,而且对地表植被具备一定的穿透性能,能够对感兴趣目标进行全天候、全天时的侦查。因此,SAR自问世以来就成为一种不可或缺的遥感信息获取手段。然而,SAR的相干成像原理使得其获得的目标电磁散射数据对于诸如目标姿态角、雷达俯仰角、装备物理配置、遮挡与连接体变体、背景噪声污染等因素十分敏感,这些因素的细微变化可能导致迥然各异的目标散射现象,这使得现有的研究成果距离实际战场应用还有一定差距。目标三维电磁散射部件模型,用一组简洁的参数通过组成目标的各个散射部件描述了整个目标的电磁散射特性,能够为目标识别提供物理意义明确的多层次目标特征。本文围绕基于三维电磁散射部件模型的SAR目标识别展开研究,主要考虑如何有效利用目标三维电磁散射部件模型提高复杂环境下SAR目标识别的能力,取得了以下研究成果。1、针对目标识别中的三大要素,阐述清楚了 SAR目标识别的研究现状和面临的挑战,在此基础上,探讨了基于目标电磁散射参数化模型的SAR目标识别中的基本问题,深入系统地分析电磁散射参数化模型的发展概况,从建立电磁散射部件的参数化表述公式到复杂目标的电磁散射参数化模型两个层次探讨了如何建立目标的电磁散射参数化模型。针对目标电磁散射部件模型的特点,探讨了利用三维电磁散射参数化模型来提高SAR目标识别能力中面临的问题和目前已有的解决方法。2、在上述基础上,设计了基于三维电磁散射部件模型的SAR目标识别框架。该框架将整个目标识别过程划分为四个部分:模型投影,相似性度量,优化搜索,决策。模型投影,将三维电磁散射部件模型投影到二维成像平面上,以便与测量得到的SAR数据进行比较。相似性度量,评价目标模型与SAR数据之间的相似性,以作为目标识别的依据。优化搜索,根据粗略估计得到的目标姿态为中心,在其附近进行优化搜索,选取模型与SAR数据之间最大相似性作为最终匹配度,其对应的姿态为最佳匹配姿态。决策,根据获得的SAR数据与模型的匹配相似性来确定数据中待识别目标的类别。该框架充分利用了模型中蕴含的先验信息,便于灵活综合运用多种技术途径来完成目标识别任务。3、针对目标模型与待识别数据之间的相似性度量这一核心问题,论文的第四、五、六章节分别从不同的角度出发,提出了三种目标识别方法,并通过大量仿真和暗室测量数据验证了文中所提框架和方法的可行性及有效性。(1)论文第四章研究了基于属性散射中心匹配的目标识别方法。该方法根据目标散射中心相对稳定的特性,将其作为目标的描述特征,通过目标电磁散射部件模型预测得到的散射中心点集和待识别数据中提取得到的散射中心点集之间的匹配对应情况,构造度量函数衡量模型和待识别数据之间的匹配相似性,以此实现目标匹配识别,有效提高了识别过程中匹配的稳定性。(2)论文第五章研究了基于部件匹配驱动的目标识别方法。该方法以三维电磁散射部件模型为驱动,根据模型中各个部件在待识别数据中的存在形态及其置信度,通过评估模型和数据的相似性进行目标识别。这种以模型为驱动的识别方法,识别目标更具备针对性,鲁棒性强。此外,还讨论了目标在被部分遮挡等不理想条件下的识别问题。三维电磁散射部件模型中的部件描述形式便于分析目标中局部部件被遮挡或者被干扰的情况,对部分遮挡问题具备一定的适应性。(3)论文第六章研究了基于三维电磁散射部件模型训练卷积神经网络的SAR目标识别方法。深度神经网络通过大量的样本数据学习得到具有显著鉴别力的描述物体的本质的特征,不用进行显式的特征提取,能够有效克服手工设计特征依赖于人经验的弊病,目前已具备解决复杂目标分类识别问题的能力。该方法在目标三维电磁散射部件模型先验知识信息的支持下,模拟仿真在目标部件缺失,部件旋转以及不同的背景噪声等多种扩展操作条件下的电磁散射数据,然后利用这些仿真数据对卷积神经网络进行训练,自动学习得到描述目标电磁散射特性的有效特征,以此进行SAR自动目标识别。这种方法利用了目标电磁散射模型中蕴含的先验信息有效模拟了目标在多种操作条件下的电磁散射数据,通过卷积神经网络自动学习训练,克服了手工设计目标特征的人为主观性,为复杂条件下更加自动化的目标识别提供了一种可行的解决思路。