合成孔径雷达(Synthetic Aperture Radar, SAR)具有全天候、远距离、极强的穿透力的优点,并能在恶劣的环境下提供地形地物的高分辨率图像,从而为我们提供了一种更可靠的目标识别手段。SAR自动目标识别在战场感知方面具有非常重要的作用,已成为国内外研究的热门课题。流形学习是近年来发展起来的一种新型机器学习理论,其旨在发现高维数据集分布的内在规律性,它有助于发掘SAR图像数据集的本质信息,提高SAR自动目标识别系统的识别性能。本文从SAR图像预处理、特征提取及识别方面展开研究,主要研究内容如下:1.针对SAR图像预处理算法的细节信息保持与提高图像可鉴别性要求,研究了综合基于weibull分布双参数CFAR图像分割—几何聚类—二值掩膜的图像分割和图像后处理的复合预处理算法,其能够有效保持目标的边缘、纹理等细节信息,并能有效提高目标图像的可鉴别性。2.针对传统的基于全局线性结构的特征提取算法不能有效克服高维SAR数据集的非线性影响的问题,提出了广义邻域鉴别嵌入(GNDE)的流形学习特征提取算法,包括向量空间上的广义邻域鉴别嵌入(GNDEV)和张量空间上的广义邻域鉴别嵌入(GNDET),该算法能够有效解决非线性问题,提高所提取特征的可鉴别性以及对数据集变化的鲁棒性,从而提高了识别率。3.针对单一特征对识别率提高的有限性问题,探索了基于二维主分量分析(2DPCA)和GNDET的特征融合的特征提取算法,该算法能对图像特征进行有效融合,并能在大幅度压缩特征维数的同时提高识别率。4.针对传统流形学习特征提取算法的邻域测度运量大的问题,提出了定标鉴别嵌入的流形学习特征提取算法,包括向量空间上的定标鉴别嵌入(SDEV)和张量空间上的定标鉴别嵌入(SDET),该算法能够较低的运算代价下提高识别率,并有效解决非线性问题。