我国西北部因其丰富的风力资源建造了为数众多的风电基地,但该地区也是我国自然灾害多发地区。灾害发生后,快速收集风电基地的有效信息对开展紧急救灾行动必不可少。而雷达遥感所具有的特性使得其在应急响应等研究中得到了广泛的应用。对于受灾严重的风电基地,依靠人工等传统方式去获取电力设施的位置和状态需要耗费大量人力物力,会影响受灾区域的电力供应和电网稳定,因此快速的获取风电基地内电力设施的所在位置就显得极为重要。本文以甘肃省玉门市郊外的风力发电基地为研究区域。研究区内分布着风力发电机和输电塔等目标地物及河床、岩体等其他地物,它们在单极化SAR图像中的散射强度极为相似,难以进行区分。本文创新性的在SAR图像的目标识别过程中将地理空间中的空间信息、空间分布特征、地理空间推理方法等要素融合到SAR图像目标识别过程中,并在SAR图像空间中为目标地物分配空间位置、形状、角度及地物间空间关系等属性。然后分别使用基于空间分布特征的空间推理方法、形态学特征参数约束下的空间推理方法以及基于空间分布及形态学特征控制标记符的分水岭分割算法来对风电设施进行识别与分割。结论如下:（1）本文首先提出了一种基于空间分布特征的空间推理方法。实验中首先使用快速双参数恒虚警率算法对输电塔进行预先识别。然后结合输电塔的空间分布特征,使用空间推理方法对有序分布的输电塔进行识别,较为显著的解决了单极化SAR图像中非目标地物与输电塔由于散射强度相似而被混分的问题。实验精度达到了98.52%,而利用卷积神经网络的输电塔识别精度为90%-91%、传统的恒虚警率方法的精度仅为84.3%,三者相比之下,说明该方法具有可靠的精度,能够为单极化SAR图像中此类有序分布的地物提供新的识别思路。（2）为充分利用风力发电机的形态学特征信息,本文在SAR图像空间中为风力发电机分配了位置、形状、角度等属性,提出了一种基于形态学特征约束下的空间推理方法。实验中使用快速双参数恒虚警率算法与FAST角点检测算法进行快速预先识别,然后通过风力发电机的骨架获取其形态学特征参数,并以该参数为主,与其空间分布特征相结合来识别风力发电机。实验结果表明该方法的识别精度为98.31%,相较于使用传统方法的识别精度提高了35.8%。（3）为进一步提高风力发电机的识别精度,本文还提出了一种基于空间分布及形态学特征控制标记符的分水岭分割算法,该算法能够在分割目标地物与非目标地物的同时对目标地物进行标记,从而提高风力发电机的分割精度。实验首先对图像进行阈值分割及连通区域像素数目分割,然后将分割出来的混合地物切片进行分水岭分割的同时借助形态学特征参数与空间分布特征参数辅助,标记分割结果并进行验证。实验结果表明,相较于前两种方法中的预先识别方法,该方法较大程度上提升了图像的初步识别精度,且该算法易用性强,更有利用实际推广。