合成孔径雷达(Synthetic Aperture Radar,SAR)具有远距离、全天时全天候对地观测、能够穿透云雾植被、多波段、多极化等特点,目前一直朝着高分辨率、多功能、多工作模式的方向发展。SAR图像目标识别在国民经济和国防建设中有着广泛的应用,如反弹道导弹的防御系统、海洋监测系统、舰船目标的识别、矿藏探测等。为了提高SAR图像目标的识别率,需解决特征提取及选择、分类器设计等关键技术。本文对上述关键技术展开研究,研究成果如下:首先,提出了一种基于混合智能优化的SAR图像特征选择算法。先采用分形特征对SAR目标进行图像增强,基于阈值分割后的图像提出一种基于图像矩的方位角估计方法。然后基于未校正和校正后的图像分别提取Zernike矩、Gabor小波系数和灰度共生矩阵构成候选特征集合。采用了一种结合遗传算法和二值粒子群的混合智能优化算法实现SAR图像特征选择。实验结果表明,优化后的特征集合具有一定泛化能力,一方面提高了SAR图像目标识别的准确率,另一方面减小了SAR图像目标识别的时间。其次,阐述了基于压缩感知的SAR图像目标识别算法的基本原理,通过实验研究了影响该算法性能的主要因素,包括图像预处理算法、构成字典的样本数量和字典构成方法。为降低SAR图像目标识别中目标方位角带来的影响,并提高SAR图像变形目标的识别率,提出了一种基于压缩感知和支持向量机决策级融合的SAR图像变形目标识别算法,实验结果表明,基于压缩感知结果进行目标方位角估计是有效的,且随着训练样本数的增加,提出的决策级融合算法显著提高了SAR图像变形目标的识别率。最后,为了获取多波段多极化SAR图像,基于Vega软件进行了SAR图像仿真,基于仿真得到的图像数据库进行了多波段多极化SAR图像特征选择及目标识别算法实验与结果分析。实验结果表明,X波段、HH极化方式的图像对于坦克、装甲车等目标具有较高的识别率;采用优化后的特征集合能够提高基于多波段多极化的SAR图像识别率。