合成孔径雷达(SAR)是一种重要的对地观测手段。利用SAR图像进行目标识别在战场环境中具有非常重要的意义。本论文围绕基于稀疏理论的SAR图像目标识别进行了深入的研究：重点针对存在遮挡情况下的SAR目标识别问题和从数据中自动进行特征提取的问题。各部分的主要内容概括如下：第一部分,针对合成孔径雷达(SAR,)图像目标识别中存在物体遮挡的情况,提出一种基于非负稀疏表示的分类方法。通过分析L0范数和L1范数最小化在求解非负稀疏表示问题上的区别,证明在一定条件下,Ll范数最小化方法除了保持解的稀疏性还能得到与输入信号更加相似的原子集合,因此也更加适用于分类问题中。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,采用L1范数的非负稀疏表示分类方法能达到较好的识别性能,并且相对传统方法对存在遮挡情况下的识别问题更稳健。第二部分,虽然基于稀疏表示或者非负稀疏表示的模型在遮挡情况下的目标识别表现出一定的稳健性能,但是其模型中对于遮挡部分采用的都是像素级假设,即：遮挡效应引起的是目标图像上少量像素点的变化,并且假定受影响的像素点在空间位置上是独立出现的。然而真实情况是,对于尺度小于成像单元大小的遮挡物,其遮挡效应在目标图像上的表现通常与相干斑造成的效果相近。而对于尺度大于成像单元大小的遮挡物,其使得目标图像上发生强度变化的区域将会是一块连续的区域。因此我们可以利用遮挡效应的这一结构化特点,对遮挡部分进行单独建模,提出了结构化稀疏遮挡模型。该模型尝试将测试数据中的遮挡部分以及在训练样本集上的稀疏表示部分分离开来。在识别时,仅仅通过稀疏表示部分进行目标分类,从而避免了遮挡的影响。仿真实验表明,基于结构化稀疏遮挡模型的方法不仅对于遮挡区域的大小,形状,块数以及散射起伏都具有较好的稳健性。第三部分,地面目标的SAR图像中除了包含目标散射回波形成的区域,还包括由目标遮挡地面形成的阴影区域。但是由于这两种区域中的图像特性不相同,所以传统的SAR图像自动目标识别主要利用目标区域信息进行目标识别,或者单独使用阴影区域进行识别。该文提出一种阴影区域与目标区域图像联合的稀疏表示模型。通过使用LIL2范数最小化方法求解该模型得到联合的稀疏表示,然后根据联合重构误差最小准则进行SAR图像目标识别。在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明,通过联合稀疏表示模型可以有效的将目标区域与阴影区域信息进行融合,相对于采用单独区域图像的稀疏表示识别方法性能更好。第四部分,对于传统的字典学习方法,如KSVD,其目标函数是最小化重构误差。本章通过在字典学习目标函数中增加对稀疏表示系数之间的相似性约束得到具有判决能力的字典。该约束使得不同类样本的稀疏表示间的相似性趋向于0,即最不相似。因此在稀疏表示系数这样的特征空间中不同类别之间的差异更大,更容易找到好的分类面。实验显示,添加了相似性约束后学习到的字典及其稀疏表示相比传统的字典学习方法可以更好的区分各类SAR目标。第五部分,特征提取是合成孔径雷达(SAR)图像目标识别的关键环节。SAR图像中存在的相干斑点和非光滑特性使得传统针对光学图像的特征提取方法变得很难应用。虽然可以采用深度置信网络(Deep belief network, DBN)自动地进行特征学习,但是该方法属于无监督学习方法,这使得学习到的特征与具体的任务是无关的。本文提出了一种叫做相似性约束的限制玻尔兹曼机模型。该模型在学习过程中通过约束特征向量之间的相似性达到引入监督信息的目的。另外,可以将多个相似性约束的限制玻尔兹曼机堆叠成一种新的深度模型,我们称其为相似性约束的深度置信网络模型。实验结果表明在SAR图像目标识别应用中,本文方法相比主成分分析(PCA)以及原始DBN具有更好的识别性能。第六部分,针对现实SAR ATR应该解决的几个问题：需要具备目标平移不变性,对于相干斑噪声随机性不敏感以及能够容忍训练数据集中一定程度的姿态图像缺失,首先研究了通过已有图像合成未知方位角下的图像以弥补训练集中姿态图像缺失的可能性。受稀疏表示模型启发下,提出了一种姿态图像合成模型。实验显示,通过姿态图像合成的方式可以有效的提升识别性能。随后通过姿态图像合成扩充、平移扩充以及相干斑加噪扩充的方式增大训练样本集合,并通过扩充后的数据对卷积神经网络进行训练学习。大量实验表明,该方法训练得到的模型可以有效的克服测试样本中出现的平移问题、相干斑变化以及姿态变化的情况。