合成孔径雷达（Synthetic Aperture Radar,SAR）通过主动发射和接收自身的电磁波回波成像,具有一定的穿透能力,在云雾天气、黑夜等情况下下仍然能够全天候、全天时、全方位成像,实现大范围、高动态地对地观测。近年来随着航天航空平台、通信及信息处理等关键技术的高速发展,成像分辨率优于0.3m的高分辨率SAR图像数据量逐渐增多。但与此同时,SAR图像强度起伏剧烈导致经典的基于强度的杂波统计模型失配;目标呈区域性分布导致已有的将目标视为若干像素集合的解译算法失效;海量SAR图像数据量导致SAR解译工作效率低下。针对高分辨率SAR图像面临的上述问题,本文从多域信息角度出发研究高分辨SAR图像目标特征提取及检测、识别等解译算法:分别从复图像域、空间变换域、频率变换域提出了三种有效描述目标的特征,用于目标检测或识别,取得了良好的实验结果。本文的主要研究工作如下:（1）针对高分辨下传统恒虚警率（Constant False Alarm Rate,CFAR）检测器在检测结果中存在的目标断裂、杂波统计模型失配、运算量大等问题,提出一种基于复图像人造目标特征（AT特征）的超像素级车辆目标检测。首先利用单通道SAR复数据的优势分析了高分辨率SAR图像复数据中自然地物与人造地物的实部与虚部分布差异,提出了一种能有效区分自然地物与人造地物的AT特征,并结合该特征设计了一种超像素级恒虚警率检测方法（AS-CFAR）,具体流程为:（1）通过简单的线性迭代聚类（Simple Linear Iterative Clustering,SLIC）方法对SAR图像进行预分割,将图像分为多个超像素块;（2）利用AT特征的区分性分别找出潜在目标和背景超像素;（3）仅对潜在目标超像素进行CFAR检测,提高检测效率。值得注意的是,该算法中利用超像素分割和AT特征筛选,最大程度保证了背景区域的同质性,有效改善高分辨率SAR图像的杂波失配问题。实验部分在Mini SAR数据集上对车辆目标的检测结果验证了所提AS-CFAR目标检测算法在高分辨SAR图像中的性能,并且计算效率有1个数量级的提升。（2）针对高分辨率SAR图像数据量大、解译效率低下的问题,提出一种基于二维双向主成分协同投影（（2D）~2PCA-CRP）特征的SAR目标识别方法。（2D）~2PCA和CRP是模式识别领域常用的两种数据降维特征提取方法。然而（2D）~2PCA仅能提取图像的全局结构特征,忽略了目标中对识别有利的局部结构信息,效果有限。提取CRP特征则直接将目标样本转化为一维向量,破坏了二维SAR图像中目标的空间结构信息,导致SAR目标识别精度下降;并且高分辨SAR图像中目标区域能量剧烈起伏产生的冗余信息会对CRP特征提取产生干扰。因此本文先利用（2D）~2PCA将图像投影低维特征空间,在考虑空间结构的同时滤除高分辨SAR图像中的干扰冗余信息,然后利用CRP提取高分辨SAR图像中目标的空间全局可分性特征和局部结构特征形成（2D）~2PCA-CRP特征。最后基于（2D）~2PCA-CRP特征,利用最近邻分类器在MSTAR数据集上完成多组多种条件下的目标识别任务。（3）针对SAR目标受成像条件如方位角、入射角等变化影响成像差异大,原始SAR图像目标的空间域特征描述能力有限的问题,提出一种基于多模态特征和多模态联合协同表示的SAR车辆目标识别方法。首先利用二维变分模态分解技术在频率变换域提取SAR图像目标的多层次子模态特征,对SAR目标空间域特征进行补充,接着利用（2D）~2PCA提取原始SAR图像及各子模态的主成分特征。另外,为利用SAR目标的多模态主成分特征,将协同表示分类器改进为能全面表征各模态特征的多模态联合协同表示分类器,联合多模态特征实现高分辨SAR图像车辆目标分类。在MSTAR数据集和实测数据集上设置了多组实验,分别在SOC条件、两种型号变换、俯仰角变化和样本类别不平衡条件下进行,实验验证本文算法对MSTAR数据集实现分类,分别取得了97.97%、95.11%、98.37%、99.42%和91.77%的平均识别率,显著高于对比算法,表明了所提算法的优异性能。