自人工智能成为国家战略以来,不管是新兴的互联网还是传统的行业都投入大量人力与财力进行深入研究。其中目标识别是人工智能中被应用最为广泛的一个技术分支,在企业应用,军事科技,医学技术中都有涉及。近几年,基于稀疏理论的目标识别方法表现出的较好的识别效果和鲁棒性使之成为众多学者研究的热门对象。有不少学者将其应用于图像处理等实际问题中,取得了很好的成果。随着遥感技术于20世纪开始飞速发展,作为一门能够实时地提供多时相、多光谱和广范围等信息的对地观测技术,它已经广泛地应用于各行各业当中,在民用、军事等方面都不乏其身影。对遥感图像进行精确的鲁棒分类识别已经成为目标识别研究领域中的热点和挑战。有学者利用稀疏表示分类识别方法针对遥感图像进行分类识别,发现该方法具有不错的识别效果。但是遥感图像中目标的多样性,图像包含丰富信息导致其视觉对比度较差,图像目标具有不同的旋转角度等情况,因此在利用传统的稀疏表示理论对遥感图像目标进行分类识别时,有必要考虑遥感图像特点并进行算法改善。本文研究和总结了国内外各学者对稀疏表示分类识别方法的研究成果,并针对遥感图像的特点,提出了以下两种改进的算法:1.提出一种基于Sift特征结合联合稀疏模型对遥感图像进行分类识别的算法。首先对训练图像和待测图像进行二进小波变换图像增强,一定程度上减少遥感图像视觉对比度差的影响。然后提取增强后图像的Sift特征作为联合稀疏的输入样本,使公共特征和私有特征更加适应遥感图像旋转特性,提高识别率。此外,本文还分析了该算法在随机投影后不同维数下的识别率情况。实验结果证明,本文算法在遥感图像识别率有较好的提升效果。2.提出一种自适应加权特征字典与联合稀疏相结合的遥感目标识别方法。首先对训练集和待测集都进行Gabor小波变换,将各个方向的Gabor特征进行自适应加权求和。然后利用联合稀疏理论,提取公共特征和私有特征构建为联合特征字典代理原始的字典,从而使字典中的原子对待测样本有更强的判别能力,提高分类的识别率。最后由实验结果证明,此算法在识别率上有明显提高。本文在稀疏表示分类识别方法的基础上,针对遥感图像特点提出了两种改进的方法,通过对特征向量和字典的改进,从而提高稀疏重构向量的判别能力,使稀疏表示分类器的分类能力更强,提高识别率。通过在10类遥感飞机目标图像组成的实验数据集上进行实验,结果显示本文提出的两种方法都具有较好的识别率和鲁棒性。