基于SAR图像的自动目标识别(Automatic Target Recognition,ATR)是SAR应用领域一个极为重要的课题。目前SAR ATR面临的主要挑战是目标及目标所处环境复杂多变,仅依靠有限的目标SAR图像进行目标识别存在信息量的不足,需要引入其他外部知识和辅助信息。论文以此为切入点展开相关研究。论文首先梳理了SAR ATR的现状以及面临的主要问题,指出知识辅助的SAR ATR是克服SAR ATR困境的一条可行思路,并提出了相应的系统处理流程。知识辅助的SAR ATR引入目标、环境、传感器以及领域专家等多方面的知识,采用层次化、自适应的信息处理流程。目标索引是其中的关键环节,它的作用是在高维假设空间中确定需要重点关注的区域,为后续精细化处理提供初始假设。论文从知识辅助和扩展工作条件处理的角度对SAR目标索引及其特征提取展开研究。第二章研究知识辅助的SAR目标分割。对地面目标SAR图像,阴影也是感兴趣的区域。现有的分割方法主要考虑目标与背景在图像灰度上的差异以及像素级的局部区域连通性,普遍存在较多的目标和阴影的缺失。论文引入目标和阴影相连通的空间关系约束先验,并利用空间关系势能函数(Spatial Relation Potential Function,SRPF)进行定量描述,在Markov Random Field(MRF)分割的基础上提出SRPF-MRF分割方法,以得到更加完整的目标和阴影。而且,该方法在MRF分割的基础上仅对每个像素施加额外的先验概率,算法的计算量几乎没有增加,能够较好地满足目标索引对效率的需求。第三章从目标索引的角度对SAR图像散射中心特征提取展开分析和研究。首先分析指出属性散射中心、复图像域高分辨点散射中心提取难以满足目标索引对时效性、稳健性、自动化等方面的需求。峰值提取方法能够满足这些需求,但峰值提取由于未能考虑展布式散射中心而存在散射中心“漏检”,影响散射中心特征的目标区分能力。分析推导了属性散射中心在实图像域的表现及其与理想点散射中心的近似等价关系,构建了一种新的散射中心模型知识。据此提出一种基于CLEAN策略的SAR实图像域散射中心提取。该方法能较好地解决峰值提取存在的散射中心漏检,而且由于基于CLEAN策略,算法稳健、自动化程度高,增加的计算量不大,能够满足目标索引的需求。第四章针对地面车辆目标,从车辆目标的简化草图模型—长方体模型入手,分析指出其在SAR图像中具有矩形轮廓。矩形轮廓本身构成了一种模型知识,可以为车辆目标的部件、子结构(如坦克炮管)的描述提供很好的上下文,有利于扩展工作条件下的目标索引。矩形轮廓提取的难点主要在于目标分割存在的虚假目标、缺失以及可能的附加结构,如坦克炮管。为了克服这些难点,论文引入阴影边界、目标长宽比等约束知识,提出了一种启发式的车辆目标SAR图像矩形轮廓提取方法。MSTAR数据实验结果说明了该方法的有效性。第五章研究了基于特征子结构的目标粗分类(即索引)。首先讨论了特征子结构的内涵、特征子结构的描述、提取和预测及其在SAR目标索引中的应用。从知识辅助的角度,特征子结构综合了目标模型、观测实例、传感器知识、专家知识等。在矩形轮廓的上下文约束下,根据炮管特征子结构在SAR图像中的特点,分别从分割结果和散射中心特征检测和提取炮管,并将之用于基于显著特征子结构检测的目标索引。提取稳定散射中心作为特征子结构,考虑矩形轮廓的上下文约束,通过稳定散射中心匹配进行SAR目标索引。最后MSTAR数据实验说明了特征子结构用于SAR目标索引的有效性。论文最后(第六章)总结了论文的研究工作和成果,并对后续的研究工作进行了展望。