由于合成孔径雷达（SAR）是一种不受光照和气候条件等影响的全天候、全天时、高分辨成像雷达，SAR图像广泛应用于民用和军用的各个领域。自动目标识别和变化检测作为SAR图像理解的重要组成部分，受到国内外研究学者的广泛关注。但是，SAR是一种相干成像雷达，使得获取的图像中不可避免的存在斑点噪声，成为SAR图像处理的难点之一。本论文为了抑制SAR图像中噪声带来的一系列问题，结合空间金字塔匹配模型，利用稀疏表示等方法提取图像的判别性特征，对SAR图像的自动目标识别和变化检测进行分析研究。本论文的研究内容可以概括以下五个方面：　　1.针对SAR图像中噪声引起背景杂波和部分遮挡的问题，提出了一种新的稀疏性加权的自动目标识别方法。首先利用空间金字塔模型对目标图像进行逐层精细分区，其次根据稀疏表示来计算每个子区域的稀疏度，用稀疏度对子区域进行加权，然后通过空间金字塔匹配获得表示图像的特征向量，最后根据稀疏表示分类方法对图像特征进行分类。该方法通过加权的方式可以增强目标所在区域的权重，同时减弱背景区域的权重。在SAR图像数据集上的实验表明，提出的方法获得的特征很好地抑制了图像中的背景杂波对目标的干扰，识别的性能得到提高。　　2.提出了一种基于互补特征的SAR图像自动目标识别方法。由于空间金字塔模型在向量量化阶段很容易丢失一些识别目标的重要信息，为了提高表示图像特征的判别能力，结合了稀疏表示理论中的最小残差分类标准，将残差看作是另一种特征同样对图像进行表示，并且残差和空间金字塔匹配模型采用的原始局部特征是相辅相成的，将两种特征结合对图像进行表示。残差特征是通过原始局部特征稀疏编码得到的，同时残差特征中包含稀疏编码损失的一些图像中目标的信息。另外，考虑到SAR图像中目标成像时对方位角的敏感性，利用训练样本的先验知识，构造了类字典用于局部特征的稀疏编码和获取残差特征。分别对两种特征和整体特征进行实验，实验结果表示，整体特征的识别性能比两种特征各自的识别性能要好，同时该方法与其他特征提取的方法相比，获得了较高的识别准确率。　　3.针对已有的基于特征提取的SAR图像变化检测的方法中很少考虑图像非局部相似性的问题，在空间金字塔匹配模型的框架下，提出了一种基于空间编码和非局部空间池化的无监督变化检测方法。稀疏编码能够抑制图像中的噪声，通过非局部相似性寻找差异图中的每个像素最相似的像素，构造一个相似集合，对这个集合进行池化，如果这个集合中的像素同时属于变化区域或非变化区域，那么就会产生更具识别性的表示特征，也就是同质区域得到互相增强，异质区域之间互相抑制。通过对合成SAR图像数据集以及真实的SAR图像数据集的实验，结果表明提出的方法相比其他对比方法能够准确识别出变化区域和非变化区域。　　4.结合稀疏表示和非负矩阵分解提出了一种新的特征提取的SAR图像变化检测方法。首先利用非负矩阵分解差异图得到的基矩阵作为字典，然后通过非负约束的稀疏表示计算差异图中每个像素的非负稀疏特征，最后采用K均值聚类算法将稀疏表示特征聚为变化类和非变化类，得到最终的变化检测结果。因为，实验中使用的SAR图像数据都是非负的，非负矩阵分解保证了算法运行过程中所有元素的非负性，并且非负矩阵分解得到的基矩阵保持了差异图的局部结构信息。对不同噪声强度的真实SAR图像进行实验，证实了本章所提方法的有效性。　　5.为了提高无监督SAR图像变化检测的性能，提出了一种显著性检测算法启发的半监督SAR图像变化检测方法。本章中使用显著性检测算法来学习一个训练集，为了说明得到的训练集中的标记样本的正确性，在已知的参考图中进行了验证。为了抑制图像中的噪声去除样本间冗余信息，采用稀疏编码获得稀疏系数向量。为了保证标记样本的正确性，训练集中的标记样本相对较少，若采用监督学习的方法，不能够充分表示两时相图的变化信息。因此结合未标记的样本，采用半监督的方法，这样既可以利用少量的标记样本的先验信息，又可以充分利用大量未标记样本训练泛化能力较强的分类器，增加了区分变化类和非变化类的正确性。实验结果验证了本章提出的算法的有效性，检测结果的准确度得到提高。