遥感图像在军事侦测、资源探测等方面具有非常重要的应用价值,对于军事应用,本文主要研究利用有限的图像数据判断并解译出重要目标,用以实现更有效的军事打击,重点在于实现对遥感图像的理解,提高目标识别精度。本文主要研究对象为遥感图像中的合成孔径雷达(Synthetic Aperture Radar,SAR)图像。SAR图像由于发射波段和来源的不同,成像质量不均,且具有不同的分辨率、相干斑噪声以及灰度值,且由于数据库的缺乏,容易在小样本中出现过拟合,这些情况造成了SAR图像研究中的面临的主要问题——目标多样且样本缺乏。为了解决多目标自动目标识别问题,在SAR自动目标识别中,本文利用了表示学习自动特征提取的特性,提出应用表示学习进行目标识别;为了解决样本缺乏问题,本文对小样本问题进行研究,针对SAR图像的小样本学习问题,提出了利用正则化方法改善小样本的泛化能力。本文研究了正则化自动编码器算法,最终针对SAR图像小样本问题建立起自动目标识别(Automatic Target Recognition,ATR)模型。主要贡献包括以下四个方面。首先,本文提出了泛化样本空间的概念,建立小样本分类问题模型,将SAR图像的小样本学习转化为密度估计问题;针对小样本学习问题提出了流形自动化编码器算法,利用能量空间流形学习加速的自动编码器算法。其次,本文从能量角度研究自动编码器算法,提出流形自动编码器模型;并针对能量最小化提出自动编码器正则化的约束条件,研究小样本问题中自动编码器的正则化,通过正则化使其能够解决样本稀缺产生的不适定问题,并在小样本问题中成功应用。再次,利用样本生成方法解决样本稀缺问题,通过研究建立有效的生成模型以实现较好的生成效果,并在提出的正则化自动编码器基础上,建立生成式模型,达到最优小样本效果,在SAR图像实验中实现对样本集的扩充。最后,本文研究了深度自动编码网络构建表示学习的框架,利用人类视觉认知的理论模型,构建了分层次深度自动编码器网络,通过实验验证了该模型的可靠性并在SAR图像数据中取得较好的效果,实现对小样本SAR图像的自动目标识别与分类。本文最终针对小样本问题建立了SAR图像ATR的框架,提出的方法有效地利用了自动编码器非监督学习的优势,并且提出正则化自动编码器网络的生成-识别方法,通过SAR图像装甲车辆数据集的实际验证,该算法在小样本SAR图像应用中取得了最优的性能。