合成孔径雷达是一种工作于微波波段的主动式传感器,它不受光照、气候等条件限制,可全天时、全天候对地观测;通过超宽带成像技术还可透过地表或植被捕获浅埋目标的有用信息。自动目标识别是合成孔径雷达图像解译的基础性课题,它在战场监视、防空反导、战略预警等方面发挥着十分重要的作用,因而能为战场态势感知和情报生成提供重要保障。自20世纪80年代以来,各国学者围绕着雷达自动目标识别开展了大量富有成效的研究工作。然而,已有的研究成果距离实际战场应用还有一定差距。合成孔径雷达是一种相干成像雷达,其图像对于目标姿态角、雷达俯仰角、装备物理配置、遮挡与连接体变体、噪声污染等因素十分敏感。这些因素的细微变化,也可能导致迥然各异的目标散射现象。为了应对这些敏感因素带来的不利影响,本文深入系统地分析前人开展的工作,通过总结已有研究成果、分析存在的问题和不足,提炼出自动目标识别系统工程的两大关键技术:SAR图像特征描述和分类学习。然后分别从这两个方面入手,寻找改进方案,提高识别的稳健性和可靠性。在深入分析经典的特征描述方法基础上,论文引入了近年来提出的一种高维空间解析信号单演信号,借助带通滤波器组构建原始信号的单演信号尺度空间,利用不同尺度空间分解生成的分量对原始SAR图像目标散射现象进行刻画描述,捕捉信号内部蕴含的稳健信息;在分类学习环节引入稀疏表示理论,与经典方法推崇的正交编码不同,我们采取基于过完备冗余字典的稀疏表示方案,首先利用给定样本构造过完备冗余字典,根据字典原子的线性组合表示未知信号,生成多元线性回归模型,借助最稀疏约束求取最优回归系数,根据回归系数计算重构误差,实现决策分类。论文的主要贡献包括:1.系统回顾了SAR图像自动目标识别的发展历程,对现有的识别方法进行总结归类,分析梳理各种方法的优点与不足,进而概括自动目标识别技术应用于实际战场需要解决的关键问题;围绕着这些关键问题提出本文的研究主线:借助单演信号多尺度表示刻画SAR图像目标散射现象,捕捉不变信息;引入稀疏表示理论进行分类学习,实现目标类别的判决。2.回顾了稀疏表示的发展历程,介绍相关背景知识,包括工作原理、前提条件及重构算法,重点阐述稀疏表示在模式识别中的应用现状;详细解释了稀疏表示在遥感图像解译中的应用可行性;结合SAR图像目标识别技术需要解决的关键问题,分别从样本表示和决策规则两个方面进行了尝试性改进,提出了基于频域稀疏表示的分类学习和基于DS证据推理的“软”决策两种算法。3.针对扩展工作条件下的目标识别问题,引入了高维空间解析信号—单演信号,借助带通滤波器组构造单演信号尺度空间,利用不同尺度空间的系数分量实现对SAR图像的表示,刻画目标散射现象,设计特征描述向量,构造回归模型,实现稀疏表示分类。主要内容包括:借助数据融合、再生核Hilbert空间合成核学习和黎曼流形学习等方法,分别提出基于单演信号图像域信息融合的分类学习、基于单演信号Hilbert空间多核合成的分类学习、基于单演信号尺度空间流形学习的分类三种识别框架和思路,其中图像域信息融合包括单演信号尺度空间分量的特征级融合、决策级融合以及多特征多任务联合稀疏表示三种实现方案,再生核Hilbert空间合成核学习包括数据空间合成学习与Hilbert空间多核合成学习两种具体算法,黎曼流形学习包括对称正定矩阵空间的流形学习、单演信号尺度空间Grassmann流形学习和方向可控Riesz小波框架Grassmann流形学习三种具体方案。4.借助MSTAR目标切片实测数据设计了大量目标识别实验,按照先基础验证再实验比较的步骤,对所提出的方法的合理性做基础验证,并通过与经典算法的比较来检验算法的有效性和扩展能力。