合成孔径雷达(Synthetic Aperture Radar,SAR)具有高分辨率的特性,因此在军用和民用的各个领域中广泛应用,尤其是在军事侦察领域中的作用无可替代。在SAR图像目标识别的处理过程中,SAR图像的相干斑去噪、图像压缩和图像目标的分割都是很关键重要的步骤。而本文正是以SAR图像目标识别为背景,主要研究了SAR图像的去噪、压缩和目标的分割识别等内容。首先,描述了SAR图像特有的相干斑乘性噪声模型,因为它是SAR图像分析的工作基础。介绍了Lee滤波、Kuan滤波、小波变换滤波和基于Contourlet变换的滤波等几种传统的滤波方法,并分析了它们各自的优缺点。然后提出了一种基于头脑风暴阀值优化的NSCT自适应图像去噪方法,与传统方法相比较,可以获得很好的滤波去噪效果。在SAR图像压缩方面,提出一种新的基于自适应二维隐式稀疏采样的SAR图像压缩感知算法。并与传统的压缩感知算法、基于小波基的压缩感知算法和基于DCT变换基的压缩感知算法在“幅值一致性与采样数据量”这一性能指标上作出比较。本文提出的算法不仅压缩效果明显,而且同时也保证了图像的成像质量。最后在SAR图像的分割方面,先是给出了图像分割的定义,简单介绍了深度学习的基本思想、深度信念网络和网络的学习等深度学习的相关知识。在此基础上提出了一种新的SAR图像分割识别方法,通过与传统的深度学习神经网络识别算法、SVM支持向量机识别算法和多尺度SOM神经网络识别算法的比较,提出的新算法的识别率达到了97.3%,性能明显高于另外三种方法,是一种有效的SAR图像目标识别方法。