合成孔径雷达（Synthetic Aperture Radar,SAR）能够全天时、全天候地获取地球表面高分辨率图像,在农业调查、地质勘探、灾害评估和军事侦察等领域具有重要应用。SAR自动目标识别（Automatic Target Recognition,ATR）技术可以自动、准确、高效地将SAR图像中的目标进行分类、辨识,极具研究与应用价值,是当前国际SAR技术领域的前沿热点。特征提取是SAR ATR的关键技术。针对SAR图像目标识别问题,本文开展了流形学习理论的目标特征提取与识别方法的深入研究,主要创新如下:1.提出了一种SAR图像的边缘样本鉴别嵌入特征提取方法,通过引入边缘样本鉴别因子,使边缘样本更好的聚集在类中心周围,解决了边缘样本的特征混叠问题,提高了目标识别率。2.提出了一种样本熵距离鉴别分析的SAR图像特征提取方法,不仅能够在特征提取时融入样本贡献度,并且可使近邻异类样本分离,非近邻同类样本聚集,解决了同类样本特征分散程度大的问题,在更低维的特征空间提升了目标识别性能。3.提出了一种邻域样本信息熵的SAR图像定向鉴别投影特征提取方法,能够依据各样本邻域信息熵,构建邻域样本定向聚集中心,明确样本聚集方向,在低维空间实现了特征更好的聚集,提高了目标识别率。4.建立了广义图嵌入流形学习理论的框架,揭示了上述三种流形学习方法与现有流形算法的共同物理本质和数学表征可转移性,提出了特征提取策略的统一数学描述,为流形学习理论在SAR目标识别中的研究奠定了框架性理论基础。上述方法,已通过仿真和MSTAR数据库进行了验证。结果表明本文中提出的三种SAR目标特征提取方法能够适用于小样本、非线性数据集,解决了边缘样本的特征混叠、同类样本特征分散程度大、样本在低维空间不能有效聚类的问题,并扩展提出了相应的线性算法、核算法、张量算法,有效提高了SAR目标的识别率和识别稳健性。本文的工作完善了流形学习理论,并为其在SAR目标识别工程应用中的高效实现奠定了理论基础。