合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种全天时、全天候的主动传感器,在军事和民用领域都有着重要作用。由于通过SAR获取的图像中包含着丰富的信息,使得对SAR图像解译变得至关重要,其中,SAR图像目标识别是一个重要的研究方向,近年来得到越来越多研究者的关注。但目前依然面临着诸多挑战,如样本数据少、训练容易过拟合、相干斑噪声对识别结果的影响、如何提取SAR图像特征等。围绕这些问题,本文以稀疏字典学习模型为基础,从五个角度出发开展研究,即多尺度字典学习、对噪声鲁棒的字典学习、核字典学习、分类器融合技术以及结合卷积神经网络（Convolutional Neural Network,CNN）的字典学习等。具体研究内容如下:第一,针对SAR图像训练数据少、斑点噪声影响识别率的问题,提出了一种多尺度增量字典学习（Multiscale Incremental Dictionary Learning,MSI-DL）算法。首先通过不同参数下的高斯函数提取SAR图像样本的多尺度特征,图像的模糊程度越大,斑点噪声抑制越明显,但是同时图像中的有用信息丢失得也越严重。与单字典学习不同的是,现将不同尺度特征的重构误差项放在同一个目标函数中用来训练多字典,不同重构误差项之间的相互制约可以避免小样本时训练的过拟合。为了实现分类任务,在目标函数中引入线性分类误差项,实现字典与分类器的联合训练,避免了分开训练导致的次优问题。针对多尺度带来的内存开销问题,通过增量的方式每次读取部分样本进行字典和分类器的更新优化。实验验证了该算法在小样本和抗噪声方面的有效性。除此之外,在MSI-DL基础上进一步提出使用l1范数取代Frobenius范数计算重构误差项以增强SAR目标识别对噪声的鲁棒性。第二,由于SAR图像数据存在非线性,使用传统线性字典学习给分类任务带来了困难。针对这一问题,提出了多尺度核字典学习（Multiscale Supervised Kernel Dictionary Learning,MSK-DL）算法。与MSI-DL不同的是,这里采用对抑制乘性噪声更有效的Frost滤波函数提取图像的多尺度特征,并通过隐式定义的非线性映射函数将多尺度特征映射到更高维的线性空间进行字典学习。对于这类非线性函数所导致的优化问题,提出了两种基于核方法的优化算法进行求解。实验表明,非线性的引入可以显著提升SAR目标识别率。与此同时,针对稀疏表示线性不可分问题,提出了一种联合线性和非线性分类器的核字典学习算法。非线性分类器采用的是多层感知器。因此,模型的目标函数包括一个非线性重构误差项和两个分类误差项,通过求解损失函数对各个变量的梯度并用梯度下降法进行更新,实验结果验证了联合线性和非线性分类器可以提升SAR目标识别率。第三,大部分传统的字典学习采用的是原始图像或者手动提取的特征,对图像的刻画具有局限性。而CNN具有自动提取图像特征的优势,因此提出了将CNN作为特征提取器自动提取SAR图像特征并用于字典学习的方法。CNN的输出看作是原始图像的多特征,用于训练多个字典,采用均方误差作为最终的损失函数从而完成分类任务。整个模型是一个端到端的结构,包含三个部分,即CNN特征提取、字典学习和分类,三部分联合优化,通过反向传播算法更新参数。实验结果表明,与手动提取特征相比,结合CNN的字典学习方法识别率得到了提升。与深度学习模型相比,在识别率接近的情况下运算速度更快。为了充分利用CNN不同层代表的不同深度信息,提出了基于CNN的分层核字典学习。将CNN不同层的输出作为核字典学习的输入。相比于MSK-DL算法,CNN多层结构的利用实现了对图像深度特征的自动提取,在一定条件下提升了识别率。CNN结构对图像的降维也降低了接下来字典学习的计算量。