目标识别是模式识别和人工智能等领域的研究热点,被广泛应用于人机交互、军事方面、医学方面等。近些年,稀疏表示分类识别方法由于其较好的分类效果和较好的鲁棒性成为众多学者争相研究的对象。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。目前遥感技术日渐成熟,遥感图像被普遍地应用于多个领域,如在民用上、军事上等都不乏其背影。如何对它们进行分类识别是其众多应用中的一个关键部分。有学者将稀疏表示分类识别方法应用于遥感图像,发现此方法对其也适用。但是遥感图像往往具有视觉对比度差、分辨率低及目标含有不同角度的旋转、不同层次具有空间结构差异等情况,因此有必要针对这些问题对稀疏表示方法作出相关改进。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.提出一种基于扩展字典稀疏表示的遥感目标识别算法。该方法是利用二进小波变换对训练样本和待测样本进行图像增强,增强后的图像中有利于分类的目标特征更加显著。提取增强图像的SIFT特征构成特征字典,并将原始的训练字典改为训练—特征扩展字典进行稀疏表示,从而使字典更加具有判别能力,提高识别率。同时,分析了 SIFT特征经随机投影后不同维数下识别率的变化情况。实验结果证明,此改进算法对识别率的提高有显著效果。2.提出一种多尺度自适应加权与稀疏表示分类相结合的遥感目标识别方法。首先对训练样本和待测样本进行Gabor小波变换,对各个方向的Gabor特征进行综合,使它们近似各向同性,根据各尺度特征包含信息量进行自适应加权求和并经过PCA降维求得融合特征,将原始的训练字典改为融合特征字典,从而使字典更加具有判别能力,提高识别率。最后由实验结果证明,此算法在识别率上有明显提高。本文提出了两种对稀疏表示分类识别进行改进的方法,通过对字典的扩展或改进,提高字典的判别能力,从而增强稀疏表示分类器的分类能力,提高识别率。通过在10类包含不同旋转角度的遥感目标组成的数据集上进行的实验结果表明,本文提出的两种方法都具有较好的鲁棒性。