合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术不受到距离、光照、天气等因素的影响,具备全天时、全天候、高分辨率成像的特点。目前,SAR成像技术已经被广泛应用于军事探测以及民用测绘的多个领域。但是,在SAR目标自动识别领域,由于SAR图像的相干成像原理,致使SAR图像被大量复杂的相干斑噪声污染,并且由于对SAR辐射特性以及成像原理相关知识的缺乏,导致提取有效的SAR目标特征进行目标识别十分困难,从而制约了SAR自动目标识别技术的发展。基于此,本文绕过特征提取这一难题,利用训练样本的类别信息,通过学习判别性字典来对样本进行稀疏编码,利用编码系数进行SAR目标识别,最终的实验数据证明了此类方法在SAR目标识别上具有可行性,且识别效果可观。本文的主要工作内容可概括为以下几点:(1)针对SAR图像的特性,进行了相关的预处理工作,主要涉及了噪声抑制、目标检测等相关算法的研究。(2)在现有的Fisher判别性字典学习方法的基础上对目标函数进行了改进,并将该方法成功应用在了SAR目标识别上,并取得了一定的识别效果。(3)为了验证本文改进的算法在SAR目标识别上的性能,本文将该算法与现有的经典稀疏分类方法SRC、K-SVD、D-KSVD、以及基于Fisher判别性字典学习方法的目标识别方法进行了对比,并总结了本文改进算法在SAR目标识别上的特性。(4)通过在不同大小训练样本集的实验,分析了字典大小对识别效果的影响,字典越大,本文算法识别率越高;另外,实验结果验证了当训练样本各子类数量差异较大时,数量较少的子类对应的识别率降低。