合成孔径雷达(Synthetic Aperture Radar,SAR)是一种有源传感器,由于其能全天时、全天候工作,被广泛应用于灾害评估和军事防御等许多领域。高分辨率合成孔径雷达生成了大规模的特点复杂的图像,难以进行手动解读,从而使自动目标识别(Automatic Target Recognition,ATR)成为研究热点。本文结合SAR图像特点,研究了基于稀疏表示及字典学习的SAR图像目标识别技术,主要研究工作如下所述:(1)提出了一种SAR图像预处理方法。首先对图像进行对数变换以抑制噪声;然后用二维最大熵阈值分割法分割出目标区域和阴影区域,并提出了一种基于遗传算法计算最佳分割阈值的方法;最后进行目标区域处理,包括图像增强、质心配准和灰度归一化。实验结果表明该预处理方法是有效的,SAR图像的分类信息得到了加强。(2)提出了一种结合最近邻和拓展稀疏表示的SAR图像目标识别方法,NN-ESR(Nearest Neighbor and Extended Sparse Representation)。首先对图像进行预处理;然后使用二维主成分分析法来提取特征向量,并提出了根据识别能力选取特征向量的方法;最后判断SAR图像目标的类别,针对图像的噪声、遮挡、损坏等问题,本文拓展了稀疏表示模型,另外为了提高拓展稀疏表示法的识别速度,NN-ESR又结合了近邻法与拓展稀疏表示法。(3)提出了一种基于字典学习和拓展联合动态稀疏表示的SAR图像目标识别方法,DL-EJDSR(Dictionary Learning and Extended Joint Dynamic Sparse Representation)。首先,在图像预处理时,分割出目标区域和阴影区域,将这两个区域的信息结合起来能更好的表示图像;然后,将字典学习方法LC-KSVD(Label Consistent K-Singular Value Decomposition)引入到训练阶段中,分别学习目标区域和阴影区域的特征字典;最后,在测试阶段提出了拓展联合动态稀疏表示算法EJDSR,利用该算法求解稀疏表示系数,根据重构误差判断目标类别。为了验证上述提出的SAR图像目标识别方法,本文在标准数据集上进行了对比实验。实验结果表明,相比于稀疏表示分类法,虽然NN-ESR的识别率微弱降低,但其识别速度大大提高。而DL-EJDSR能使不同类别更具区分性,有效地提高了SAR图像目标识别准确度。因此,NN-ESR方法适用于在线图像识别,而DL-EJDSR方法适用于离线图像识别。