合成孔径雷达(Synthetic Aperture Radar,SAR)是把几个尺寸较小的真实天线合成孔径雷达,利用雷达与目标的相对运动,通过传感器和数据处理的方法合成为一个等效真实天线合成孔径的雷达。SAR图像具有全天时、全天候等特点,广泛应用于经济和军事等各个领域。SAR目标识别技术是利用先进的雷达采集图像的信息,对目标种类及型号等其他属性进行判定识别,并且由于其优良的特性,被广泛应用于军事上的战场侦察及精确打击等领域。随着时代的进步,SAR目标识别技术得到越来越多的发展,逐渐趋于成熟。本文针对SAR图像目标识别,进行如下工作:首先针对合成孔径雷达图像的分类优化方法,提出一种基于多特征与卷积神经网络的SAR图像分类方法Canny-WTD-CNN。将Canny算子提取的边缘特征,与小波阈值去噪法提取的小波特征进行特征融合,作为卷积神经网络的输入;以softmax为分类器,对SAR图像进行分类识别检测。该方法在去除SAR图像噪声的同时能很好地保留图像的边缘特征,有效提高算法的精确度。其次在原有算法的基础上进行改进,提出一种新型SAR目标识别算法MOPSO-WTD-Canny-CNN,利用MOPSO优化小波阈值去噪算法中的阈值,以及Canny边缘特征提取算法中的双阈值,构建了一种新的优化网络结构—MOPSO-WTD-Canny,在去噪的同时更好的保留图像边缘信息,将寻找出来的最优阈值用到WTD-Canny-CNN算法中,进行分类识别。最后利用MSTAR公开数据集进行仿真实验,比较各类去噪算法与边缘提取算法在进行特征融合后的识别准确率,并与其它已提出的算法进行实验比较,结果表明该算法具有较高的准确性。