合成孔径雷达(SAR)和逆合成孔径雷达(ISAR)等高分辨雷达成像技术的发展极大地扩展了常规雷达的应用领域。引入极化信息不仅能够为雷达目标识别研究提供多通道数据支撑,还有利于获取目标特征及物理属性的信息。人造目标的识别往往能够为军事侦察、战场监视、重点目标的监视与打击评估等提供依据,具有极其重要的军事意义。在传统雷达遥感领域,对于自然场景极化应用研究已经取得了一定的成果,但人造目标极化信息处理因为数据源等因素的影响较少公开报道,本文从人造目标的电磁散射特性出发,围绕人造目标极化特征提取与精细几何结构反演开展多维度深入研究。首先围绕一维高分辨距离像(HRRP)的几何特征提取与物理结构反演,提出了一种基于盖氏圆盘和广义正交匹配追踪的散射矩阵估计与结构反演算法。在给出开拓者无人机和捕食者无人机数据说明的基础上,充分考虑HRRP幅度大小及起伏特征,同时结合目标全极化信息,完善了全极化条件下高分辨距离像幅度起伏特征提取算法,利用两类无人机数据展开分类工作,结果显示全极化条件下该算法的分类效果显著优于单极化的情况。在一维目标结构反演的工作中,结合盖氏圆盘和压缩感知等理论,建立了基于盖氏圆盘和广义正交匹配追踪的散射矩阵估计与结构反演算法,利用仿真数据以及某导弹模型实测数据展开试验,结果表明:该算法效率高,能够准确地对散射中心位置及散射矩阵进行估计,且能精准提取对应位置上的物理结构。利用极化分解理论对全极化二维无人机ISAR图像进行探索,提出了一种基于Cameron分解的主成分分析分类与识别方法,实现了对于不同种类无人机甚至同一无人机不同角度下的准确分类。首先给出了Pauli、Cameron和Krogager三种极化分解理论,并将三种方法应用于两类无人机数据中,对不同分解情况下的散射机理进行了讨论与研究。同时有机融合Cameron分解与主成分分析方法,建立了基于Cameron分解的主成分分析分类与识别方法,该方法能够在提取目标极化特征的基础上,准确地实现不同信噪比条件下对于不同无人机以及同一无人机不同角度下的分类与识别。雷达目标的三维几何结构反演是国际公认的难点与重点,针对车辆这一类人造目标,提出了一种只需运用单俯仰角极化信息即可得出人造目标三维结构尺寸和轮廓的快速有效的反演方法。该方法很好地融合了极化信息和几何知识,结合单俯仰角的车辆全极化电磁仿真数据,首先进行目标的逆投影成像,基于目标极化特性,建立了一种基于极化特征与最小面积外接矩形的方法提取车辆的长度与宽度,利用几何知识重新构建车辆目标三维模型,估计得到车辆目标的高度,通过与真实值对比,各维度下的误差很小,且最后的散点图能够准确还原车辆目标的三维轮廓信息。