合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波成像传感器,可以不受天气、光照的影响,对地面进行远距离探测,已经成为当前对地观测的重要手段之一。随着SAR成像技术的发展,可以获得大量高质量的SAR图像,使得SAR图像目标识别技术在军事、民用等领域的应用越来越广泛,专门针对SAR图像设计自动目标识别系统已经成为国内外研究的热点。本文基于卷积字典学习模型对SAR图像目标识别方法展开研究,论文的主要内容可概括如下:1.针对传统字典学习算法存在的字典单一、编码冗余等问题,本文在卷积字典学习的基础上,引入多尺度约束与监督信息,提出了标签约束多尺度卷积字典学习模型,该模型可以自动提取图像中不同尺度的几何结构特征。提出模型首先在标签约束下利用卷积字典学习的方法对图像提取不同尺度的卷积字典,得到更有利于分类的卷积字典,之后将学到的不同尺度的卷积核与原图进行卷积操作获得用于分类的特征图,最后将特征图输入分类器中进行分类。在MSTAR实测数据集上的实验结果表明,引入多尺度约束与监督信息可以学到更有利于分类的卷积字典,与其它方法对比提出方法具有更好的识别性能。2.针对现有SAR图像目标识别方法没有充分利用目标固有物理特性的问题,本文结合卷积神经网络、属性散射中心模型以及标签约束多尺度卷积字典学习模型,提出了双流特征融合网络,该网络可以综合利用SAR图像目标在图像域的信息以及SAR图像目标的物理机理信息。双流融合网络包含两条支流:一条支流结合标签约束多尺度卷积字典学习模型对目标的图像域信息进行解译;另一条支流结合属性散射中心模型对目标的物理信息进行解译;最后将两条支流所得到的高层特征进行融合。在训练过程中,提出网络的两条支流联合优化,目标的图像域信息和目标的物理信息相互影响,共同保证代价函数最优。在MSTAR实测数据集上的实验结果表明,提出网络综合利用SAR图像目标在图像域的信息和目标的物理机理信息,与仅利用一种信息的识别方法相比具有更好的识别性能。