合成孔径雷达在军用领域和民用领域中都发挥着重要的作用。作为合成孔径雷达应用的重要方面,目标识别一直是研究的热点。基于机器学习的合成孔径雷达目标识别方法已经取得了非常优秀的性能。目前的合成孔径雷达目标识别技术都是以完整的目标作为处理对象。实际应用中经常出现遮挡等导致的目标残缺现象。传统的机器学习目标识别技术识别这些遮挡目标的性能会严重恶化。因此需要研究针对合成孔径雷达遮挡目标的目标识别技术。本文重点研究了基于稀疏表示和基于卷积神经网络的合成孔径雷达遮挡目标识别方法。论文的主要工作如下所示。1、提出了基于子图像稀疏表示的加权合成孔径雷达遮挡目标识别方法。基于稀疏表示模型的遮挡目标识别方法的关键是消除遮挡信息对样本稀疏重构误差的影响。首先将测试样本和字典分割成子测试样本和子字典,利用子字典稀疏表示子测试样本并计算稀疏重构误差。选择稀疏重构误差较大的子测试样本作为包含遮挡信息的子测试样本。然后对包含遮挡信息的子测试样本及对应的子字典加权来得到加权测试样本和加权字典。最后利用加权字典来稀疏表示加权测试样本并识别目标。该方法识别无遮挡目标时的性能与传统稀疏表示方法相似,识别遮挡目标时的性能优于传统稀疏表示方法和支持向量机方法。2、提出了基于加权图像融合的合成孔径雷达遮挡目标识别方法。加权图像模型的关键参数包括子图像尺寸、加权子图像比例和权值。这些参数的取值直接影响算法的识别性能,而设置最优参数值是加权图像模型的难点。本文采用融合策略来克服这个问题,首先设置一系列参数值来得到多个加权测试样本和加权字典。然后根据需要选择像素级融合或者决策级融合方法来处理这些加权测试样本和加权字典。最后利用融合结果来识别目标。该方法避免了加权图像模型中关键参数的取值问题,遮挡目标的识别性能也得到进一步提升。实验结果表明其识别性能优于传统的目标识别方法。3、提出了基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法。在稀疏表示模型中准确定位遮挡信息通常十分困难,本文采用随机擦除方法来回避这个问题。随机擦除是指在测试样本和字典中随机选择一个区域并将其像素值置零,并且测试样本的置零区域和字典的置零区域相同。首先对测试样本和字典进行多次随机擦除。然后利用擦除字典稀疏表示擦除测试样本并计算稀疏重构误差。最后采用决策级融合策略来克服随机擦除中遮挡区域欠擦除和无遮挡区域的误擦除,通过融合所有稀疏重构误差来识别目标。该方法能够消除遮挡信息并保留目标信息,实验结果表明其识别性能优于传统的目标识别方法。4、提出了模块化的卷积神经网络构建方法和基于数据增强的合成孔径雷达遮挡目标识别方法。卷积神经网络的拓扑结构直接决定了网络的性能,本文采用模块化的思想来简化卷积神经网络的设计难度。首先构建基础模块。基础模块包含了卷积层和池化层,承担了学习特征和数据降维的功能。然后采用模块堆叠的方式得到卷积神经网络。该卷积神经网络具有与传统方法设计的卷积神经网络相似的性能。为了提高卷积神经网络识别遮挡目标的性能,通过数据增强的方法来使网络学习到遮挡目标的特征。数据增强的方式包括静态数据增强和动态数据增强两种。静态数据增强时遮挡目标训练样本是固定的。动态数据增强时遮挡目标训练样本是变化的。实验结果表明,数据增强可以明显提高卷积神经网络识别遮挡目标的能力。5、提出了一种基于重构误差水平的多层稀疏表示合成孔径雷达目标识别方法。稀疏表示模型利用稀疏重构误差作为分类指标。理想情况下只有相同类型子字典上的稀疏重构误差很小,其余子字典上的稀疏重构误差很大。本文利用稀疏重构误差来表征字典的表示能力,并以此决定测试样本的处理方法。设置了两个门限,其中一个门限代表字典的绝对表示能力,用来判断字典能否稀疏表示测试样本并决定是否利用当前字典识别测试样本;另一个门限表征子字典稀疏表示能力的相对差异,用来决定是否需要重构字典。最后利用已识别的样本来完善字典,提高了字典对剩余测试样本的表示能力。该方法更深入的挖掘了稀疏重构误差的性质,实现了更好的识别性能。6、提出了基于多视图张量稀疏表示模型的合成孔径雷达目标识别方法。张量稀疏表示模型可以保留合成孔径雷达图像中的局部结构信息。合成孔径雷达系统对目标多次观测可以得到多幅目标图像,并且这些图像间具有内部相关性。多视图张量稀疏表示模型可以综合利用图像的局部结构信息和图像间的内部相关性。提出了联合张量正交匹配追踪算法来计算多视图张量稀疏表示模型中测试样本的稀疏系数张量。识别目标时首先用经典的张量字典学习方法得到各类型目标的字典,然后采用联合张量正交匹配追踪算法来计算稀疏系数张量,最后根据所有视图总的稀疏重构误差来判断目标的类型。该方法识别合成孔径雷达目标时的性能优于联合稀疏表示模型和稀疏表示融合模型。