SAR(Synthetic Aperture Radar)图像在军事、经济和环境等方面具有很高的应用价值，是近年来的一个研究热点。SAR图像解译技术相对滞后于SAR系统的发展，成为了制约SAR应用的主要因素。论文以图像的匹配、分割和分类三项SAR图像解译关键技术为线索对SAR图像匹配和典型目标识别应用进行深入地研究，并提出了自己的解决方法。　　论文的主要贡献和创新性成果体现在以下方面:　　1.深入分析了机载高分辨率多时相SAR图像配准的技术难点。提出了结合全局匹配与局部匹配的两步控制点匹配算法以获取大量高质量的控制点。实验论证了复杂场景下全局畸变模型无法获得较高的配准精度，并对不同的畸变模型进行了深入的对比分析。　　2.以2011年日本地震为应用案例，深入研究了极端情况下地壳偏移量的估计方法。通过使用地震前后两幅TerraSAR-X强度图像，提出了基于不变特征点的地壳偏移量估计方法。相比其它地壳偏移估计方法，基于不变特征点的方法具有更广的适用范围。　　3.以纳木错湖泊为例，深入研究了湖泊边界提取方法。提出了沿湖泊初始边界分块的策略，通过减小待处理的数据量以降低场景的复杂度，达到亚像素级提取精度。论文分析了不同分辨率对湖泊边界提取算法的影响。　　4.将深度学习技术引入到SAR图像的分类问题中，并用于高分辨率SAR图像建筑提取、时间序列SAR图像建筑区域提取、亚米级分辨率地物分类和军事目标自动识别。深入研究了样本获取、模型参数调整、模型训练、模型性能等问题。证明了深度学习方法不仅能够简化分类方案的设计过程，并且能够在复杂场景、大尺度图像、时间序列的分类中获得很好的分类结果。