合成孔径雷达（Synthetic Aperture Radar,SAR）进行探测工作时可以不受日照条件、云层遮挡以及各种气象因素干扰,这种全天时全天候成像的独特能力使其成为一种持续、可靠的对地观测工具。星载、机载SAR系统的蓬勃发展使得对地观测数据爆炸式增长,然而与此不相匹配的是SAR图像处理技术的相对迟滞。目标解译是SAR图像的一项重要应用,由于人们对人造目标的重点关注,从SAR图像中提取目标轮廓、判定目标类别等一系列工作是情报获取的关键手段之一。目前的SAR图像目标解译技术距离完全投入实际应用还有一定差距。尽管分辨率的不断提高,SAR图像能够体现更丰富的目标细节信息,但仍然存在相干斑噪声降低图像质量,目标表面不同的散射机制导致灰度变化较大,以及复杂目标轮廓和结构不清晰不完整等问题,给目标解译工作造成很大困难。因此,本文开展基于形状先验知识的SAR图像目标解译技术研究,通过引入目标的形状信息辅助进行目标解译,以提高目标提取和识别算法的准确性和可靠性。论文的主要工作包括以下四点:（1）提出改进的非局部活动轮廓模型。针对SAR图像中乘性的相干斑噪声和同质区域灰度的不规则变化,引入一种基于图像概率密度函数的比率距离,增强模型对SAR图像的适应性。同时依靠非局部方法在纹理处理方面的优势,通过非局部活动轮廓模型实现对目标区域的准确提取。利用积分直方图快速计算非局部处理中所需的图像概率密度函数,提高算法运行速度。（2）提出基于椭圆约束GVF snake模型的舰船目标提取方法。对于舰船目标上时常出现的十字星、虚影等形状畸变,仅依靠图像信息难以消除,论文根据舰船目标外形近似椭圆的认识,引入椭圆约束的形状先验知识辅助进行目标提取。首先利用ROEWA算子对目标边缘进行粗提取,根据边缘生成梯度矢量流,其次利用最小二乘法对模型轮廓进行椭圆拟合,在能量泛函中加入椭圆约束项,从而将形状信息与图像的边缘信息结合起来,通过椭圆约束和梯度矢量流联合引导,使模型轮廓逐渐克服形状畸变逼近目标真实边缘,准确提取目标。（3）提出基于稀疏表示形状统计模型的目标提取和识别方法。针对飞机目标的复杂性,建立形状样本集,利用形状统计模型进行形状分析。将样本集矩阵和误差矩阵相结合得到形状表示矩阵,通过稀疏约束条件求解输入目标形状的稀疏表达,选取少量与输入形状近似的样本对输入形状进行重构。在轮廓演化方面采用GVF snake模型,利用梯度矢量流引导轮廓向目标边缘演化,同时轮廓在形状统计模型的控制下始终保持规范形状,通过迭代优化,逐步逼近飞机目标的真实轮廓,迭代终止后选取最后一次形状重构中系数最大的样本的类别,将其确定为目标类别。从而完成从目标精确提取到识别的解译流程。（4）提出基于流形学习形状统计模型的目标提取和识别方法。在第（3）点的算法框架上,引入流形学习的思想进行形状分析。将形状样本和输入形状看作高维空间中的数据点,分布在高维空间的嵌入流形上。利用等距离映射法对其进行非线性降维还原低维嵌入,同时尽量保持数据之间的相互关系。在低维嵌入上,通过KNN选取与输入形状相近的形状样本,利用拉格朗日乘子法求解对应的重构系数,即可得到重构形状。最后按照第（3）点的迭代优化框架将其运用于飞机目标提取,再根据权重系数分析完成目标识别。