合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动式传感器,由于其具有高分辨率、全天时、全天候、对地表有一定穿透能力以及可以实时处理信号等特点,使其在军事以及民用等领域有着巨大的发展潜力。但与其成像技术相比,SAR图像的解译技术急需发展。SAR图像解译是指从地物目标场景中提取出有用信息,将高维度的图像信息转化为低维度的情报信息。与光学图像相比,从SAR图像中直接可感知信息较少,难以通过直接观察获取大量有用情报,因此,对SAR图像解译技术展开研究具有重要的应用价值。特征提取是指从地物目标图像中提取具有物理含义的特征信息,利用提取到的特征判定目标所属类别是SAR图像解译中的关键环节。本文围绕SAR图像特征提取与应用分析,从SAR图像预处理、地物目标特征提取、特征分析以及目标检测与分类等方面展开了理论研究与实验验证。本文的具体研究工作如下:（1）针对SAR图像中存在固有的相干斑噪声,会影响到特征提取与分析等问题,本文提出一种基于非下采样剪切波变换的SAR图像去噪算法。在变换域根据变换系数估计噪声阈值,一般噪声都存在于低系数中,因此,可以通过阈值函数处理变换系数。但是在对SAR图像去噪时有可能丢失图像中边缘等细节信息。本文提出一种基于变换域的渐进阈值函数处理变换系数,利用对数变换将相干斑噪声转化为加性噪声,然后在变换域抑制噪声。（2）由于SAR图像中可提取特征种类较多,每类特征所表征物理含义不同,针对如何从特征中选择具有较强分类能力的特征并降低特征维度问题,本文提出基于特征工程的特征筛选算法。利用Relief-F算法获取每个特征的重要性并进行排序,利用相关性分析获取各特征间的相关性,从而筛选出表征地物目标能力较强,且各特征间相关性较弱的特征,最后利用筛选出来的特征实现对SAR图像分类。本文将SAR图像去噪算法与特征筛选方法相结合,实现更高精度的SAR图像分类。（3）针对大场景多目标图像解译困难问题,本文采用一种改进的Faster RCNN网络的SAR图像目标检测识别一体化方法。为了更好的利用深度网络提取SAR图像地物目标特征,本文构建了基于特征金字塔的网络结构,并在特征网络中加入注意力机制模块。本文首先利用MSTAR数据集中目标图验证网络性能,再利用MSTAR数据集中目标图与场景图合成不同复杂程度的地物目标图,验证本文所用网络的检测识别性能。本文主要研究了SAR图像去噪算法、SAR图像特征筛选与分类以及SAR图像地物目标检测识别一体化方法,并通过实验验证本文所提算法的有效性。