合成孔径雷达（Synthetic Aperture Radar,SAR）系统因其具有全天时、极强的穿透性、远距离高分辨率成像且成像质量不受恶劣气候条件影响等优势,现已广泛应用于军事侦察、土地规划等军事和民用领域。高分辨率SAR图像目标提取与场景分类是SAR图像信息获取与解译的关键步骤,具有重要的理论研究意义和实际应用价值。然而,由于SAR成像系统成像机理的特殊性,高分辨率SAR图像存在严重的相干斑噪声且不同目标之间存在歧义性。这些因素都将对SAR图像目标提取与场景分类的精确性造成较严重的影响。本文在结合高分辨率SAR图像特殊性的同时,分别利用两种典型算法-主动轮廓模型（Active Contour Model,ACM）和卷积神经网络（Convolutional Neural Network,CNN）,围绕高分辨率SAR图像的典型目标提取与场景分类两个关键问题进行深入研究。本文的具体工作如下:第一部分,高分辨率SAR图像典型目标提取。首先,针对高分辨率SAR图像点状目标,提出一种基于超像素与核函数改进CV（Chan-Vese）模型的SAR图像点状目标提取算法。该算法着重考虑了SAR图像同质区域内像素强度的随机变化对目标提取的影响和CV模型对曲线内外能量变化刻画能力的不足,利用零参数的简单线性迭代聚类（Simple Linear Iterative Clustering 0,SLIC0）算法进行像素重塑,并将拉普拉斯核函数与l2范数组合构造改进CV模型的拟合能量。同时加入距离规范项以避免水平集函数的重新初始化,加速该模型的收敛。最后,利用两种典型的高分辨率SAR图像点状目标:地面车辆目标（坦克等）和海面军事目标（舰船）进行实验。大量实验结果表明:所提算法能够有效提取SAR图像中的点状目标,且具有良好的抗噪能力。然后,针对高分辨率SAR图像线状目标,提出一种基于全局与局部驱动力倒数交叉熵改进CV模型的SAR图像线状目标提取算法。该算法充分考虑了高分辨率SAR线状目标图像中复杂的地物及其背景信息,同时顾及到局部驱动力对曲线演化的重要性,融合全局与局部驱动力进行线状目标提取。全局驱动力利用简化的图像全局驱动项构造;局部驱动力利用倒数交叉熵阈值选取准则函数,替代经典LAC（Localizing region-based Active Contours）模型中能量函数的区域项;最后组合构造新的水平集模型。利用两种典型的高分辨率SAR图像线状目标:河流和道路进行实验。大量实验结果表明:所提算法对目标边缘的拟合效果较好,显著提高了SAR图像线状目标提取精度,且对初始轮廓不敏感。第二部分,高分辨率SAR图像场景分类。首先,结合深度特征的全局二阶统计信息,提出一种基于多视角互相关自注意网络（Multi-view Cross-correlation Attention Network,MCAN）的SAR图像场景分类算法。该算法顾及到深度特征通道信息和二阶深度特征统计量对场景分类的重要性。利用空间和通道自注意力模块捕获其卷积特征空间与通道维度之间的相互依赖性;随后,分别将全局空间与通道协方差结构层引入MCAN,以学习卷积特征的空间和通道互相关关系;最后,引入迭代矩阵平方根归一化层,快速计算特征向量协方差矩阵的近似平方根。在两种Terra SAR-X高分辨率SAR图像场景分类数据集上进行实验。实验结果表明:MCAN能够充分利用深度卷积特征表述,且高分辨率SAR图像场景分类准确率显著提升。其次,在顾及局部特征分布和全局二阶统计信息的同时,考虑一阶特征编码,提出一种基于高阶无序池化网络（High-order Orderless Pooling Network,HOPN）的SAR图像场景分类算法。该算法在分析了Bo VW固定的特征编码方式和CNN较强的空间特征信息表述对场景分类任务的不足之后,利用外积建模参数化局部聚集描述符（Vector of Locally Aggregated Descriptors,VLAD）的全局高阶特征统计量。此外,为了使所获得的深度特征表述具有可辨别性,将矩阵平方根归一化层与逐元素归一化层分别引入HOPN中,利用奇异值分解（Singular Value Decomposition,SVD）计算矩阵平方根归一化层特征向量的梯度信息。实验结果表明:无论是与经典特征编码算法,还是与其他端到端优化的CNN相比,HOPN在高分辨率SAR图像场景分类准确率方面具有明显优势。此外,HOPN具有较低的模型参数量和模型运行时间。最后,考虑更加鲁棒的二阶特征编码,并兼顾特征描述子的特征维度,提出一种基于通道增强与紧凑性高阶无序池化网络（Compact Channel-boosted High-order orderless pooling Network,CCHN）的SAR图像场景分类算法。参数化局部约束的仿射子空间编码（Locality constrained Affine Subspace Coding,LASC）层可以生成局部一阶和二阶特征统计量,具有更鲁棒的特征表述能力;随后,利用核外积刻画深度特征的全局高阶特征统计量,大大降低了特征维度。同时为了平衡特征维度与特征鲁棒性,利用SE模块对参数化LASC层通道之间的相关性进行高阶显式建模。高分辨率SAR场景分类实验结果表明:CCHN在兼顾了全局高阶特征统计量场景分类性能的同时,也降低了全局高阶特征描述子的特征维度。