自二十世纪九十年代以来,合成孔径雷达(Synthetic Aperture Radar,SAR)因具有全天候、全天时的工作优势和有效穿透掩盖物识别伪装获取目标信息的特点,使得SAR目标识别技术研究成为一种热点。近几年来,SAR目标识别技术在图像预处理、特征提取融合和目标分类识别等方面取得了不同程度的研究进展。目前,传统的SAR目标识别算法大多基于单任务学习框架,忽略了多个目标间关系,且很难适应SAR目标图像的姿态敏感性和隐藏在SAR回波中的结构等非线性细节信息。为了解决这些问题,本文围绕基于多任务学习(Multi-task Learning,MTL)的SAR目标识别算法展开研究,主要研究工作如下:1.介绍了SAR图像特征和SAR目标识别流程,分析识别过程中的关键技术和难点,总结概述传统SAR目标识别算法K最近邻(K-Nearest Neighbor,KNN)和支持向量机(Support Vector Machine,SVM)的原理及算法步骤,指出传统算法在SAR目标识别中存在的局限性。2.针对传统方法存在样本数量有限和姿态敏感性问题,提出将多任务学习机制引入到SAR目标识别领域。(1)引入正则化的多任务学习算法(Regularized MultiTask Learning,RMTL),该算法作为一种多任务框架下的SVM,能够同时对多个目标关系进行学习。(2)针对RMTL算法中“无关”任务影响SAR目标识别的问题,引入多任务关系学习算法(Multi-Task Relationship Learning,MTRL),该算法通过关系矩阵更加准确地表征了多目标间的关系。(3)针对MTRL算法样本需服从正态分布的问题,引入聚类的多任务学习算法(Clustered Multi-Task Learning,CMTL),该算法能自动从数据学习多目标的群集结构。实验结果表明多任务学习在样本数量有限的情况下达到扩充样本的效果,减弱姿态敏感性对目标识别的影响。3.针对CMTL算法未能充分挖掘隐藏在SAR回波中的形状等非线性细节信息的问题,设计了K-CMTL算法。该算法在CMTL算法的基础上,通过核函数扩展到非线性空间,对非线性空间中的特征和多目标关系进行学习,实现多目标关系的优化分离,并采用APG算法进行精确求解。4.对K-CMTL算法在MSTAR数据集上进行仿真实验。在标准条件(Standard Operating Conditions,SOC)条件下分析各个参数对识别率的影响;为了验证多任务优于单任务学习,进行单个任务和多个任务的对比实验;分别在SOC条件下和扩张性条件(Extended Operating Conditions,EOC)下进行验证,并与KNN、SVM、RMTL、MTRL和CMTL算法进行对比实验。实验结果表明K-CMTL算法具有更优的识别性能和泛化性能。