合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动相干成像雷达,有着全天时、全天候成像的优点,被广泛运用于勘探矿产、预防自然灾害和国防军事等领域。其中,在军事领域中合成孔径雷达主要应用于军事目标的检测和分类识别,因此实现快速、有效的目标分类识别对于国家军事安全有着重要的意义。本文就针对SAR目标图像分类识别中存在的底层特征鲁棒性差,人工设计特征过程复杂的问题,结合稀疏表示和深度学习自适应的学习本质、抽象特征的能力,分别提出了基于深度K-means的SAR目标图像分类,基于SDAE-SVM(Stack Denoising AutoEncoder-Support Vector Machine)的SAR目标图像分类和基于卷积自编码器和概率稀疏表示的SAR目标图像分类方法,主要工作内容如下:1.基于深度K-means的SAR目标图像分类。针对传统深度学习模型卷积神经网络利用梯度下降法计算学习滤波器参数的方式复杂度高,需要调整的超参数多的问题,本文提出了基于深度K-means算法的SAR目标图像分类方法。相比于卷积神经网络,深度K-means模型的算法简单、快捷,且只有聚类中心个数一个超参数需要调整。通过利用K-means算法无监督地学习得到滤波器核,减轻了算法对大量有标签样本的需求;通过将网络堆栈成深层的方式,学习得到了原始图像抽象本质的特征。经过多组实验验证,该算法能够获得更好的分类效果。2.基于SDAE-SVM的SAR目标图像分类。针对SAR图像分类过程中提取得到的特征往往鲁棒性较差,以及采用softmax分类器微调深度网络分类精度低的问题,本文提出了基于SDAE-SVM的SAR目标图像分类方法。该方法首先对图像进行目标分割获取目标切片,避免深度网络过拟合现象的发生,再利用去噪自编码器进行深层、鲁棒特征的提取,最后采用线性SVM(Support Vector Machine)分类对网络进行微调分类。经过多组实验证明,该算法能够获得更为理想的分类效果。3.基于卷积自编码器和概率稀疏表示的SAR目标图像分类。针对稀疏表示初始化字典难度高、传统稀疏表示分类器分类精度低的问题,本文提出了基于卷积自编码器和概率稀疏表示的SAR目标图像分类。该方法首先利用卷积自编码器对图像进行特征提取和降维,并将其作为初始字典利用概率稀疏表示算法进行表示和分类。经过多组实验证明,该算法能够获得更高的分类精度。