自动目标识别（Automatic Target Recognition,ATR）技术通过图像处理和信息解译,可以将复杂的合成孔径雷达（Synthetic Aperture Radar,SAR）图像数据转化为有用情报信息,是实现SAR成像系统在军事领域应用的重要关键技术之一,在情报侦察、精确打击等领域具有广泛的应用需求。由于军事目标尤其是高价值战略目标往往具备高机动性、强隐蔽性以及随机性等特点,使得相应的SAR图像数据集会表现出样本类内数量不充足以及样本类间数量不平衡等小样本数据特性。但是,基于数据驱动的SAR目标识别方法对目标样本的数据规模和数据分布具有极强依赖性,这就形成了SAR目标样本数据供给与ATR模型客观数据需求之间的矛盾,因此,小样本问题已成为制约SAR目标识别技术发展和应用的瓶颈。为了缓解现有识别理论对目标样本数据规模以及分布特性的局限性,实现在小样本数据前提下具有知识扩充、知识筛选以及知识推理的自动目标识别方法,本文结合SAR目标识别任务中的小样本数据特性,凝炼了亟待解决的若干科学问题,从SAR目标图像样本数据生成的角度,深入开展了基于小样本条件的SAR目标识别方法研究。本文的研究内容和主要贡献包含以下几个方面:（1）针对样本类内数量不完备条件下的SAR目标样本高质量定向生成问题,提出了基于标签定向的SAR目标样本生成方法,该方法以生成样本数据分布重构机理出发,选用有效距离测度描述了真实样本分布与生成样本分布之间的距离,建立了目标类别编码信息与生成样本类别之间的映射,实现了样本类内数量不完备的数据集中相应判别信息的高质量定向扩充。（2）针对样本类内数量不完备条件下的反事实生成SAR目标样本有效利用问题,提出了基于反事实样本筛选的SAR目标识别方法,该方法以生成大量反事实SAR目标样本为前提,利用不同批次生成样本之间的显著性差异,建立了不同弱ATR模型之间的一致性认知,以筛选出有利于ATR模型性能提升的反事实SAR目标样本,避免了反事实生成样本给ATR模型造成的性能损害,实现了样本类内数量不完备条件下ATR模型识别性能的显著提升。（3）针对样本类间数量不平衡条件下的样本生成模型能力分配问题,提出了基于需求驱动的少数类SAR目标样本生成方法,该方法从生成模型在不平衡数据条件下的固有局限出发,通过生成模型分层执行不同的判决逻辑,避免了生成SAR目标样本质量下降的风险,建立了各类目标样本与相应生成需求之间的映射,提升了生成模型对少数类SAR目标样本的关注程度,实现了不平衡数据集中少数类SAR目标样本判别信息的有效扩充。（4）针对样本类间数量不平衡条件下的ATR模型代价敏感意识构建问题,提出了基于代价敏感意识的SAR目标识别方法,该方法以补充少数类目标样本判别信息为前提,建立了各种识别结果与相应识别代价之间的映射,使得ATR模型能够从不平衡数据集中自主学习到各类目标样本的识别代价,约束了ATR模型对多数类目标样本的经验性偏好,实现了不平衡数据条件下ATR模型识别性能的稳定提升。经过实测数据试验验证,并与现有方法进行对比,本文提出的方法能够明显改善小样本条件下的SAR目标识别性能,对于数据获取受限情况下的SAR目标识别技术应用有一定的促进作用。