合成孔径雷达(Synthetic Aperture Radar, SAR)作为一种主动式相干成像雷达,能够全天时、全天候大面积对地观测成像,是一种非常重要的遥感信息获取手段,在民事领域和军事领域都有诸多应用。SAR在军事领域最重要的应用是可以实现对特定军事目标的检测和识别,因此SAR图像目标识别得到了国内外的广泛关注,是当前的一个研究热点。本论文围绕SAR图像军事车辆目标识别,主要对SAR图像预处理和特征提取进行研究,从MSTAR公开数据源中选取六种车辆SAR图像数据完成目标识别实验,验证预处理方法的有效性并分析各种特征提取方法对识别结果的影响。本论文的主要内容包括：针对SAR图像去除背景干扰和增强分类信息的要求,采用系统的预处理过程对MSTAR数据进行处理。预处理过程首先对SAR图像进行Lee滤波,作对数变换以降低噪声；然后对图像进行阈值分割,并经过形态学滤波、几何聚类等操作提取出目标区域的图像信息,消除背景的干扰；对目标的掩膜图像作幂变换、能量归一化、二维傅立叶变换等处理,使图像更利于特征提取及分类识别。根据模式识别理论,SAR图像目标识别本质上应属于有监督机器学习的一种,从这一观点出发,选取六种有监督学习特征提取方法用于SAR军事车辆识别实验,分为基于图像向量模型的方法(包括PCA、LDA、LPP、NPE)和基于图像矩阵模型的方法(包括2DPCA、2DLDA),将这些方法结合最近邻分类器对预处理后的SAR图像进行实验,通过实验结果分析各种方法在SAR图像目标识别上的适用性。总结各种经典特征提取方法在SAR图像目标识别上的特点,在此基础上提出了一种两级二维局部判别嵌入特征提取方法,并结合新的预处理方法进行实验。该方法以矩阵的形式处理单个样本数据,对SAR图像采用两级特征提取,先后对图像矩阵从行列两个方向进行投影变换,避免了LDE方法将图像数据转化为向量带来的维数灾难和小样本问题,同时增强了特征的判别性。使用该方法进行特征提取后,利用最近邻分类器进行分类,结果证明了该方法的有效性和优越性.