SAR(Synthetic Aperture Radar)图像的滤波、目标分割以及目标特征提取和分析匹配是SAR图像目标识别中的关键技术。本文主要对SAR图像目标识别中的这几种关键技术进行了分析和研究。首先,针对无监督近邻传播(AP, Affinity Propagation)聚类算法在数据量较大的SAR图像处理上计算量过大且无法有效地抑制灰度分割时大量相干斑噪声的问题,提出一种融合信息熵和AP算法的SAR图像分割方法。首先,利用滑窗计篡图像的信息熵矩阵,然后,把信息熵作为初始数据,利用融入了加权系数和优化了偏向参数的AP算法进行聚类分割。实验结果表明,改进的AP算法在算法运行时间、算法聚类精度以及算法的准确率方面与AP算法相比,有较大的提高,分割效果较好。其次,由于SAR图像纹理丰富且存在大量的噪声,使得传统SURF (speed up robust features)算子对SAR图像的目标兴趣点检测并不理想,存在兴趣点检测适应性不强和出现大量无用特征点,致使目标匹配的成功率下降,提出了融合恒虚警率(CFAR, Constant False-Alarm Rate)和SURF的SAR图像目标匹配新算法。采用适应性较强的混合高斯模型拟合杂波的CFAR进行目标兴趣区域检测,然后,运用SURF算子对检测的目标进行SURF特征提取,最后,使用改进的多层剔除方法匹配特征点。通过仿真分析了算法对SAR图像目标匹配的有效性,并在此方面与传统算法进行了比较,仿真实验表明该方法在目标尺度、旋转、噪声变化的情况下,依然可以达到较高的匹配率,具有优越的适应性、鲁棒性。