合成孔径雷达(Synthetic aperture radar, SAR)是目前国内外雷达领域的研究热点。而基于SAR图像的自动目标识别技术(Automatic Target Recognition, ATR)在未来战争中的重要作用也已经开始显现,正越来越受到各国的重视。典型的ATR系统模型是林肯实验室提出的SAR ATR的三步处理流程模型,本文侧重于第二步目标鉴别(Target Discrimination)技术算法的研究。目标鉴别又可以进一步细分为特征提取、特征选择和鉴别器设计三个环节。在特征提取方面,本文对于林肯实验室提出的用于目标鉴别的14个特征进行了简要介绍并进一步分析。在鉴别器设计环节,首先介绍了一类分类器,随后对支持向量数据描述(Support Vector Data Description, SVDD)进行了分析。该算法基于近些年流行的支持向量学习的观念,且与传统的支持向量分类器不同的是,SVDD构造了包含了单类目标数据样本的紧致超球体边界,使其能很好的对一类问题进行分类。与经典的基于高斯模型(Gaussian model)的鉴别器相比,它并不需要对输入特征向量的先验分布进行假设；不需要对概率进行估计,在样本数较少的情况下依然能取得较好的性能。文章最后研究了基于协方差矩阵特征与流形SVDD的鉴别算法。首先提取了协方差矩阵特征用于鉴别。然而,由于协方差矩阵特征空间不是一个欧氏空间,因此,原始定义于欧氏空间中的一类分类器不能直接应用。文章结合协方差矩阵特征的特点对原始的SVDD算法进行了改进以得到流形SVDD算法。区域协方差特征加流形SVDD的鉴别模式为基于SAR图像的目标鉴别提供了一种新的可能。