被动毫米波成像技术通过接收目标场景的毫米波辐射能量来获取目标场景的亮温图像,目前的一个重要研究方向是被动毫米波干涉综合孔径辐射成像系统。本文以被动毫米波探测应用为背景,建立了被动毫米波干涉综合孔径辐射图像集,结合机器学习相关理论研究了适用于被动毫米波图像的目标识别算法,研究内容主要包括以下几个方面:（1）基于传统特征提取的被动毫米波图像目标识别算法研究。为了抑制被动毫米波图像中的噪声干扰和信息缺失的影响,首先利用局部二值模式算法和角点检测算法提取出被动毫米波图像中的局部纹理特征和角点特征,然后用支持向量机分别基于两路特征初步进行分类识别。最后通过引入融合系数,构建了基于LBP-Corner特征的融合识别算法框架以提升目标识别性能,通过被动毫米波图像集上的分类识别实验结果验证了该算法的有效性。（2）基于稀疏表示的被动毫米波图像目标识别算法研究。首先构建被动毫米波图像数据的超完备字典,利用不同的字典学习方法更新超完备字典,获得基于图像集自身的稳健稀疏表示。这避免了人为特征选择的片面性影响,利用图像样本之间的联系补全单幅图像样本信息缺失,并通过稳健的稀疏表示抑制噪声对分类识别结果的影响。最后通过在被动毫米波图像数据集上的分类识别实验,分析了基于不同字典学习方法的稀疏表示算法的识别效果。（3）基于深度学习的被动毫米波图像目标识别算法研究。首先,用降噪自编码器抑制被动毫米波图像的噪声,获得了重构被动毫米波图像。然后用卷积神经网络提取出重构图像稳健的深层特征进行目标识别。通过迁移融合DAE重构网络和CNN目标识别网络,构建了端到端的基于DAE-CNN的目标识别算法框架,从子网络的分离预训练到整体网络的联合优化,建立了从被动毫米波图像到对应标签的直接映射。在被动毫米波图像数据集上的识别实验表明,基于深度学习的目标识别算法能够获得更优越的识别效果,具有良好的应用价值。