合成孔径雷达(Synthetic Aperture Radar,SAR)能够获取到高分辨率的SAR图像,其中包含了目标结构、尺寸等重要信息。SAR图像自动目标识别(Automatic Target Recognition,ATR)技术能够提取SAR图像中目标的有用信息,因此在战场感知方面十分重要,是国内外研究的热门课题。目标的SAR图像仿真技术,不仅是实现基于模型的SAR ATR系统的基础,而且还能为目标识别算法的研究提供大量廉价的数据支持,在SAR图像解译领域有着广泛的应用前景。本文以目标的SAR图像仿真技术及其在SAR目标鉴别中的应用为主要研究内容,首先系统性的研究了一种目标的SAR图像仿真方法,在此基础上,以实测数据和仿真数据为实验基础,深入开展了多种途径的特征提取与目标鉴别方法的研究。本文的具体工作如下:1.针对现阶段主流的SAR图像仿真方法效率较低,难以高效生成大量SAR仿真数据的问题,本文结合光线追踪算法研究了一种能够快速对目标进行仿真的方法。首先,改进了传统光线追踪算法中散射能量的计算方式,按照目标对电磁波的散射机制进行计算,减少了能量计算的误差,并根据SAR成像机理直接完成了从3D模型到二维SAR图像的转换。其次,针对传统追踪方法中存在的计算冗余,引入了一种科学的划分机制,将场景空间通过SAH-BVH算法进行了自适应的划分,减少了计算冗余并优化了追踪过程。实验表明,所用方法在保证图像质量的前提下显著地提升了成像效率。2.传统的SAR图像鉴别特征常常需要人工设计,该过程不仅依赖于从业人员的专业能力而且费时费力。针对该问题,本文研究了基于深度置信网络(Deep Belief Networks,DBN)和基于卷积神经网络(Convolution Neural Network,CNN)的目标鉴别算法,并设计了三种不同结构的卷积神经网络,通过实验分析了不同网络模型的鉴别效果。由于深度网络能够在无需人工干预的情况下自动地从输入数据中学习特征,因此该方法获得了更好的鉴别性能。3.目标样本是SAR目标鉴别的基础,无论是特征提取还是算法的研究,都离不开大量的目标样本的支持。针对实测目标样本获取困难的问题,本文研究了将仿真SAR数据使用于训练样本集中的方法,以提高鉴别方法的精度和推广性能。实验结果证明了这种方法的有效性,为提升有限实测样本下的鉴别性能提供了可能的途径。