合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时等特点,随着SAR及其图像解译技术的发展,一方面,舰船识别可用于海上搜救、海洋环境维护等民用领域;另一方面,舰船识别可用于海上作战、国防安全保障等军事领域。SAR图像舰船目标识别的研究已然成为SAR海洋应用领域的一个重要研究方向和热点问题。本文针对SAR图像舰船旁瓣干扰、样本少和特征类内变化大等问题,围绕SAR图像舰船目标分割、低层特征提取和中层特征提取开展了深入研究,论文的主要内容如下:1.通过Radon变换实现SAR图像舰船目标分割。SAR舰船目标分割是特征提取的基础,该方法首先结合小波去噪、Otsu阈值分割和形态学滤波等对图像进行处理以去除斑点噪声,然后根据Radon变换的特性和SAR舰船图像的特点确定舰船目标的主轴及其与旁瓣分离的阈值,最后确定分割范围。该方法能够抑制斑点噪声和旁瓣对分割的影响,较好地将舰船目标从海杂波背景中分割出来。2.提出基于舰船目标分部的低层特征提取方法。首先进行基于散射点邻域的目标分部划分,即将舰船目标等分为N份,然后在每个分部上提取低层特征。较基于舰船目标整体区域提取特征的方法,该方法能显著提高SAR图像舰船目标的识别率。3.提出基于改进的词包模型的中层特征提取方法。为了解决SAR舰船图像样本少且低层特征类内变化大的问题,本文提出基于词包模型的舰船目标识别方法,它通过对低层特征进行统计分布分析,形成中层语义特征,步骤是低层特征提取、词典生成和特征编码。又因为不同种类的SAR舰船图像有很多相同的内容,为了提升中层特征的类间分辨能力,本文对词袋模型中的词典生成和特征编码方式做出改进,即同时应用类内词典和类间词典,类内词典对类内特有的特征编码,类间词典对所有类的共有特征进行编码,并改变编码时一个特征只能对应一个单词的情况,从而提升识别率。