作为一种主动的微波传感器,合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、长距离观测的能力,其强大的穿透能力使其能够获得一般图像中无法获得的遮掩信息,对SAR图像进行解译可获得其他类型图像中无法获得的信息,具有重要的军事、民用价值。SAR图像目标自动识别(Automatic Target Recognition,ATR)作为SAR图像解译中的一部分,受到了国内外学者的广泛关注。传统的SAR ATR方法多采用单一特征构造的单一分类器进行目标识别,该方法具有一定的片面性和局限性,对目标的识别效果往往不佳。针对这一问题,采用信息融合技术,将多种特征下的多种类型分类器进行融合,实现分类器性能互补,提高分类器对目标的识别准确率和分类稳定性。本文将信息融合技术应用于SAR ATR中,通过提取目标的多种不同类型特征,构造多个不同类型的单一分类器,并采用自动化的参数优化方法,将单一分类器性能调至最优,从中选出较为合适的多个单一分类器参与组合分类器构造。单个分类器的输出信息可分为抽象层、等级层和测量层三个层次,分类器融合方法也多在这三个层次进行,主要包括了抽象层的类标签法,等级层的类排名法和测量层的软输出法,通过这些方法可以完成组合分类器的构造。本文将TerraSAR场景图像制成样本切片用于实验,通过提取目标的几何结构特征、LBP纹理特征、PCA变换特征和Hu不变矩特征,送入逻辑回归分类器和支持向量机分类器中,构造出多个单一分类器;而后选择较优的单一分类器作为基分类器,分别使用加权投票法、基于等级融合法和平均贝叶斯融合法实现分类器融合。实验过程中随机选取一定百分比的样本进行训练,获得分类器模型,而后对全部样本进行测试识别,重复进行十次实验。通过实验发现,采用分类器融合方法进行目标识别,可以克服单一特征单一分类模型的不准确性,不仅能够提高分类器对每一类样本的识别准确率,而且大大改善了分类器的稳定性,具有广阔的应用前景。