合成孔径雷达(Synthetic Aperture Radar,SAR)目标检测被用于从成像场景中发现感兴趣目标区域。目标检测结果可直接为军事侦察与民用监测提供情报,也可作为进一步分类/识别的输入信息。错误的检测结果可能严重影响其后续步骤的性能。因此,目标检测是SAR图像解译的重要环节。近年来,高分辨、多极化SAR图像带来丰富的地物信息,包含更高的检测价值,但高分辨条件下目标也表现出明显的幅度起伏、分裂的强散射区域以及混合的极化成分等问题,使SAR图像的目标特性愈加复杂。传统检测方法大多基于背景特性,而对目标特性的利用不足,因此难以适用于高分辨SAR图像。为了提高检测性能,本文对高分辨SAR图像目标特性建模展开研究。此处的目标特性指目标在SAR图像域中表现的具体形式,如散射统计、几何结构或极化类别等。基于上述目标特性对检测的影响,提出了针对性目标检测方法。本文主要工作包括以下方面:1.介绍常用的SAR图像地物特性及检测方法,研究目标与背景特性的差异。基于理论模型和实测数据研究恒虚警率(Constant False Alarm Rate,CFAR)检测性能,通过模板匹配分析不同分辨率下检测性能的统计描述,并通过极化分解分析不同目标的极化特性及检测效果差异。2.针对目标区域内散射起伏的问题,建立散射特性的条件熵模型,提出一种基于迭代离群值检测和递归显著性优化的检测方法。以强弱像素占比为参数,推导出使似然比检测最大化的条件熵度量。然后,利用迭代检测和递归优化改进检测效果,解决了背景选择和离群值修正的问题。所提方法有效提高了对复杂SAR图像的目标检测性能。3.针对目标强散射区域分裂的问题,建立目标几何特性的部件模型,提出一种基于部件搜索的检测方法。基于部件模型进行三级搜索实现了目标检测:深度优先搜索强散射中心作为兴趣点;选择性搜索满足几何关联和相似性的兴趣点生成目标部件;紧凑度和密度几何约束下贪婪组合目标部件得到潜在目标。基于目标几何特性,孤立兴趣点或部件形成的虚警得以被筛除。4.针对目标包含混合极化成分的问题,建立极化特性的分类模型,提出基于扰动滤波器融合的显著性检测方法。地物极化的分类有利于简化目标检测问题。同时,结合目标稀疏性假设,可以计算极化类别的显著性,进而实现滤波器加权融合的目标显著性检测。对不同极化成分的显著性分析,有利于克服目标极化混合对检测的消极影响,并抑制背景的极化差异形成的虚警。本文从分析高分辨SAR图像目标特性的角度扩展了对检测方法的研究,并且基于高分辨SAR图像的实验验证了所提方法的检测性能。