高分辨率SAR图像能够为环境监测及情报收集提供有力支持，随着SAR成像技术的快速发展和侦察频次的不断提升，对于高分辨率SAR图像自动解译技术的需求日益迫切。在新出现的分米级高分辨率SAR图像中，地物目标呈现出结构复杂和亮度不均的新特点，使得传统基于像素的SAR图像解译技术不再适用。研究适用于高分辨率SAR图像的自动解译技术对于实时决策支持以及自动情报挖掘有着重要的现实意义。本文从人的视觉解译过程出发，提出了以利用上下文信息为指导思想、以图像分割为基础、以案例推理技术为核心的高分辨率SAR图像解译系统框架。研究了图像预处理、图像分割、目标鉴别与目标提取等关键技术，从场景复杂的整幅高分辨率SAR图像出发，完成了以车辆为感兴趣目标的自动化目标检测与定位。开展的工作主要包括以下几个方面：首先，研究了高分辨率SAR图像预处理技术。为了将含有噪声和缺陷的高分辨率SAR图像转化为适合自动处理的数据，进行了基于多项式拟合的方位向衰减校正和基于非局部方法的相干斑抑制工作。前者是一种简单而鲁棒的修正高分辨率SAR图像缺陷的方法，后者是一种通过利用图像不同尺度上的空间上下文信息，在保护图像细节的同时抑制相干斑噪声的滤波技术。图像预处理环节增强了图像质量，为后续的图像处理工作扫除了障碍。其次，研究了高分辨率SAR图像分割技术。为了定位高分辨率下以面目标形式存在的感兴趣目标并获得其周围的上下文信息，必须研究适用于高分辨率SAR图像的分割方法。通过分析经典的水平集分割算法，提出了改进的RSF模型，解决了RSF模型对于初始轮廓的依赖问题；对改进RSF模型进行了多相化推广并应用于高分辨率SAR图像分割任务中，最终的分割结果由四类背景分割和二类目标分割融合得到。实验证明，该方法能够在大场景的高分辨率SAR图像中准确地分割出阴影与背景，并得到包括树木、建筑、车辆在内的目标位置。此方法无需调整参数，鲁棒性和实用性较强。再次，研究了高分辨SAR图像目标鉴别技术。为了解决样本数目有限、目标形状复杂条件下的目标鉴别问题，引入了基于案例推理技术。从人眼视觉解译过程入手，分析并设计了案例库数据结构、案例匹配规则和案例库更新方式等关键细节，构建了具有增量学习能力的目标鉴别专家系统。实验证明，该系统在分割结果合理的前提下，能够有较鉴别复杂环境中的树木、建筑及车辆，在郊区场景中车辆目标的检测率可达到85%以上。该系统的推理结构接近于人的思维，且案例库的管理与维护方便，可以随时在人机交互条件下进行增量式学习，以解决不断出现的新问题。最后，进行了高分辨率SAR车辆目标提取方法的研究。为了充分利用高分辨率SAR图像的细节信息，在目标鉴别粗定位结果的基础上进一步挖掘密集车辆目标的姿态与数量等关键信息，使用形态学方法提取了车辆目标的“L”形结构特征；使用模板匹配技术同时完成了潜在目标的精细定位和姿态估计；利用车辆群的上下文信息实现了虚假目标的筛选，得到了以矩形标识的目标提取结果。实验表明，该方法能够从密集目标环境中有效提取车辆目标，在手动选择目标感兴趣区域的条件下可以达到90%以上的正确提取率和10%左右的虚警率。通过目标鉴别结果自动生成感兴趣区域，该方法可以嵌入到高分辨率SAR图像自动解译系统当中。