SAR图像目标识别作为信息获取的关键技术,具有重要的应用价值,一直是国内外目标识别领域的研究热点。近年来稀疏表示理论被广泛应用于各类图像处理领域,并且在人脸识别中已取得了良好的效果。本文着重研究了将稀疏表示理论应用于SAR图像目标识别中的两个关键步骤:冗余字典的构造和稀疏系数的求解。主要研究内容如下:(1)针对原始冗余字典类别差异性不足和规模较大的两个缺陷,利用冗余字典的二维结构提出了字典的纵、横双向改进方法。在纵向改进中,针对SAR图像由确定信息和不确定信息组成的特点,利用小波变换来提取有利于识别的低频确定信息,并经过2DPCA降维处理得到小波域字典。在横向改进中,利用K-近邻算法的样本选择思想,实现了字典原子的横向动态筛选,从而生成基于近邻子空间的动态字典。(2)在完成了冗余字典构造的基础上,对稀疏系数分解算法进行研究。将最小L1范数凸优化算法和OMP算法进行对比分析,验证了后者的类别差异性和分解效率均优于前者。同时,针对OMP算法稀疏度K未知的问题,提出了用类别统计量C来替换稀疏度K作为算法迭代终止条件的改进方法,并通过仿真实验验证了改进后的OMP算法具有更好的识别效果。(3)根据稀疏分解系数的分布特点,总结出最大系数准则、归类系数最大准则两种分类判别准则,并对这两种准则进行仿真对比。仿真结果表明,归类系数最大准则能够取得更高的识别率,故本文利用它来完成分类识别器的设计。(4)基于MSTAR数据库,统计了本文识别算法在各种非理想情况下的识别率,验证了在含有噪声、遮挡及分辨率下降情况的算法鲁棒性。