合成孔径雷达(SAR)是一种机载和航天遥感系统,用于对地形上的远处目标进行成像,可在全天候条件下操作并生成极高分辨率的图像。SAR图像利用更长波长的信号来为工作于电磁(EM)频谱的可见光和红外区域的光学传感器提供补充信息。此外,和仅仅包含目标的光反射率的振幅信息的摄影图像不同,SAR同时提供来自场景散射电磁场的振幅和相位信息。因此,将SAR用于导航已经成为现代生活中不可或缺的一部分,这些SAR图像的分类已成为最大的挑战之一。然而,与描述物体良好外观的光学图像相比,对SAR图像的理解难以进行人工解释。另外,SAR图像容易被乘性噪声污染,这使得在SAR图像中做目标分类非常困难。本文主要研究SAR图像的有效分类方法。在此分类任务中,有两种不同的主流方法:基于手工设计特征的方法和基于深度卷积神经网络(DCNN)的方法。本文第一部分在第三章和第四章分别介绍了两种应用于SAR图像目标分类的基于手工设计的特征提取方法。第一种分类方法基于视觉显着性模型。首先,本文引入了一种基于SAR有向图的视觉显着性(GBVS)模型。其次,依靠我们模型在突出目标图像信息最重要位置的能力,我们从预处理后的SAR图像中提取Gabor和HOG特征。然后,为了获得更多的判别特征,判别相关分析(DCA)算法被用来进行特征融合和组合。最后,提出了一种两级无环图支持向量度量学习算法(DAG-SVML),该算法通过消除弱分类器和基于Mahalanobis距离的径向基函数(MDRBF)核,无缝地利用了两级DAG的优点,强调了相关特征,减少了非信息特征的影响。。本文分别对移动和静止目标获取和识别(MSTAR)公开数据库进行了实验,实验的分类精度和时间复杂度表明,本文所提出的方法优于目前最好的手工设计特征方法。第二种分类方法引入了基于视觉词袋(Bo VW)的特征表示。在该方法中,采用了从训练SAR图像中提取的Gabor和HOG特征。然后,使用K均值聚类算法生成判别式码本。通过计算最近的欧式距离进行特征编码后,目标由新的鲁棒特征词袋表示。最后,对于目标分类,支持向量机(SVM)被用作基准分类器。所提出的基于Bo VW的方法和面向SAR的GBVS相比取得了更好的时间复杂度,减少了22.9毫秒,同时分类准确度下降了0.32%。本文的第二部分在第五和第六章分别介绍了两种基于DCNN的方法。这些方法背后的思想是挖掘多层次的特征表示,更高层次的特征可以表示数据的语义,这反过来可以提供更鲁棒的类内变异性。第一种方法是对MSTAR数据库中预先训练好的VGG-S Net进行微调。然后,将微调网络用作固定特征提取器以从经过处理的SAR图像中提取深度特征。之后,提取的深度特征通过使用传统级联和DCA算法进行融合。最后,采用基于Log Det发散度量学习三元组约束(LDMLT)的K-最近邻算法(K-NN)作为基准分类器。在MSTAR数据库上的实验结果表明,与现有技术方法相比,所提出的方法获得了良好的结果。第二种分类方法基于深度学习和多典型相关分析(MCCA)。该方法通过自适应融合不同CNN层的有效特征,提出一种鲁棒的SAR图像目标分类特征提取方法。首先,通过在整个网络中使用小滤波器来减少散斑噪声,在MSTAR数据库上微调深层的CNN网络。此外,使用小尺寸卷积滤波器可减少每层中的参数数量,因此随着CNN深入,可降低计算成本。此外,使用Re LU层使得网络具有更多区分性决策功能和更低的计算成本。由此产生的CNN模型能够从目标图像中提取非常深层的特征,而无需执行任何噪声过滤或预处理技术。其次,我们的方法提出使用MCCA来自适应地从不同层学习CNN特征,使得得倒的表示是高度线性相关的,因此即使使用简单线性支持向量机(SVM)也可以实现更好的分类准确性。MSTAR数据库上的实验结果表明,所提出的深度学习算法优于最先进的方法。