合成孔径雷达(Synthetic Aperture Radar,SAR)能在恶劣气象、天候条件下工作,随着SAR分辨率的不断提高,其获取的图像可广泛应用在军事和民用等领域,尤其在军事战术中常态化的侦查监视中具有重要的应用价值。典型的SAR自动目标识别需要经历目标检测、目标鉴别、目标识别三个阶段。相比较于目标检测、目标鉴别,SAR图像目标识别在识别有效性和准确率上仍存在问题,因此,SAR图像目标识别研究成了信息工程领域研究的疑难问题,具有重要的研究意义。本文针对SAR图像目标识别在不同配置条件(包括俯仰、遮挡、噪声等)变化下现有目标识别方法识别准确率不高问题,对SAR图像目标识别关键技术:目标特征提取和目标分类的方法进行了深入的理论分析和可行性研究,具体研究内容如下:1、针对SAR图像基于传统二维经验模态分解特征提取时图像信息缺失问题,提出了一种改进了的基于复数二维经验模态分解特征提取的SAR图像目标识别方法。SAR图像本身为复数矩阵,具有幅度和相位信息,传统二维经验模态分解方法中单纯使用幅度信息会一定程度造成信息缺失。复数二维经验模态分解作为传统二维经验模态分解在复数域的扩展,可有效用于复数图像的处理和分析。通过复数二维经验模态分解对原始SAR图像进行分解,获得多层次复数内蕴模函数,反映目标时频二维特性,联合稀疏表示分类算法,可利用内在关联性约束提高各层次复数内蕴模函数的表征精度。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法有效提升了识别准确率。2、针对SAR图像基于压缩感知理论设计的单一随机投影矩阵获得的特征具有局限性,不能从多个方面反映原始SAR图像的特性,提出了一种改进了的基于联合多层次二维压缩感知投影特征提取的SAR图像目标识别方法。通过构建多个二维压缩感知随机投影矩阵,以提取原始SAR图像的多层次特征,多层次二维压缩感知随机投影矩阵不仅可以有效对高维数据进行降维处理,而且获得的特征矢量具有良好的鉴别性,能够反映原始SAR图像中目标的不同层次特征,采用联合稀疏表示来表示提取的多个特征,并考察不同特征的内在关系,根据所有特征的重建误差之和来确定目标类别。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法具有较好的识别率和鲁棒性。3、针对SAR图像基于卷积神经网络的特征提取时多特征向量融合出现的冗余问题,提出了一种基于多重集典型相关分析的深度特征融合的SAR图像目标识别方法。通过卷积神经网络中使用不同卷积核的卷积运算可以挖掘出输入图像的多方面属性,学习得到多层深度特征,利用多重集典型相关分析对来自不同卷积层的的特征向量融合为最终的特征矢量,在减少冗余的同时还保持它们的相关性,采用稀疏表示分类对多重集典型相关分析融合的深度特征向量进行分类。基于MSTAR数据集,分别在标准操作条件和扩展操作条件下开展实验,实验结果表明该方法在标准操作条件和扩展操作条件下保持着较高的识别率和鲁棒性。4、提出了一种基于二维经验模态分解和极限学习机的SAR图像目标识别方法,二维经验模态分解对SAR图像进行特征提取,产生多层二维内模函数,这些多层二维内模函数能够有效消除噪声,补偿了极限学习机对噪声相对较低的自适应性。极限学习机作为一种新型的快速学习算法,训练过程中不需要对参数进行调节就可以展开训练,当设定隐层神经元数量时,自动得到最优解,学习效率高、泛化能力强。基于MSTAR数据集,该方法在标准操作条件和扩展操作条件下都具有较高的识别率和鲁棒性。