本文研究的主要内容是SAR图像中的海面分布目标的检测问题。分布目标主要包括舰船尾迹、油膜和内波等。分布目标不同于点目标和刚体目标,大多情况下,这类目标与海洋背景的对比度很低,是一种无确定形状、模糊发散的云状目标。本文从认知的角度出发,进行分布目标检测算法的研究,主要贡献包括以下几个方面:　　 (1)本文通过具体实验,分析了一些常用的海面目标检测算法对于此类目标的检测存在的问题,算法有CFAR检测、边缘检测、阈值分割、Radon变换、分形维、马尔可夫场分割和盲分离。说明了仅仅从数学方法上寻求检测方案,已经遇到了很多阻力。本文另辟蹊径,不再沿着已有的数学思路,提出从人脑的认知模式出发,进行分布目标的检测研究。　　 (2)提出了MTC算法。将待检测图进行不重叠区块划分,将无目标海面图进行逐点重叠区块划分,构建了模板库的一种简单形式。然后利用旋转变换,找到无目标图区块对于待检测图区块的最优表示。记录误差,利用模糊K均值聚类区分目标与背景。算法对于清晰的分布目标有较好的检测效果。　　 (3)从人识别云状物体的过程提出了基于“注意”的认知模式。并利用Agent技术提出了TBMAS算法。利用局部直方图和KL熵构造差异度作为视觉刺激。通过Agent分层技术实现“注意”过程的两个阶段。下层Agent实现了简单“注意”过程,上层Agent实现了复杂“注意”过程。下层Agent在图像环境中的活动,初步确定目标的位置。上层Agent进行联想预连。最终完成目标检测。算法不局限于分布目标的种类、形式,对于多种分布目标均有较好检测结果。　　 (4)从特征认知模式的角度出发,对于新的目标调整特征提取方式,改进了两种算法。第一种是基于Graph-Cuts算法。利用直方图差异度作为区域因子,构造了新的能量函数。利用最小割/最大流算法得到检测结果。第二种是基于快速灰度共生矩阵和支撑向量机的检测算法。灰度共生矩阵是一个稀疏矩阵,使用链表替代矩阵进行存储,加快了计算速度。通过分析,找出了大邻域、256级灰度下适合分布目标的特征为灰度共生矩阵的对比度、自相关和不一致性。利用标定的目标、背景区域训练支撑向量机,并完成检测。　　 通过多组实验说明,对于分布目标,甚至发散较严重、对比度较低的分布目标,本文的算法是有效的,并且提出了进一步改进的思路。