基于合成孔径雷达(Synthetic Aperture Radar,SAR)的自动目标识别(Automatic Target Recognition,ATR)技术在现代战场中的重要作用已经使得它成为了国内外研究的热点之一。基于Tao,Deng等人提出的张量学习理论,把传统的目标识别技术,包括主成分分析(Principal Component Analysis,PCA)、线性判决分析(Linear Discriminant Analysis,LDA)和支持向量机(Support Vector Machine,SVM)等推广到了张量主成分分析(Tensor Principal Component Analysis,TPCA)、张量线性判决分析(Tensor Linear Discriminant Analysis,TLDA)和支持张量机(Support Tensor Machine,STM),本文对以上算法进行了对比仿真,并针对实验中出现的问题进行了进一步的改进研究:针对TLDA算法在低特征维数下识别正确率过低的问题,给出了改进的TLDA算法,有效的提高了低特征维数时的识别效果。现有的STM基于迭代的方法求解,对于二维张量,其中一个投影矢量只是在另一个矢量投影下的最优分类面中,并不是说样本在这一矢量投影下,具有最大的数据可分性。我们提出了一种基于最优投影的改进支持张量机算法(Optimal Project Support Tensor Machine,OPSTM),利用Fisher准则寻找图像在边界方向上的最优投影,使投影后的样本具有最大数据可分性,并有效的解决了支持张量机算法中收敛速度慢的问题,并提高了识别正确率。最后,把基于SVM算法的多分类算法推广到了基于STM算法的多分类算法和基于OPSTM算法的多分类算法,给出了算法步骤并对实测数据进行了实验验证。