合成孔径雷达是一种主动工作模式的高分辨率成像雷达,它可以全天时、全天候地工作。随着SAR成像技术的日益发展和成熟,获得的SAR图像分辨率更高、场景信息更精细,且已经广泛应用于矿藏资源勘探、灾情探测与防治、全球气候指标监测,以及军事和民用目标的分类与识别等领域。其中,自动目标识别是SAR图像解译的重要课题之一。如何对具有丰富、详细信息的SAR图像数据进行快速有效地处理,实现对感兴趣目标的有效特征描述与分类是目标识别所关注的问题。流形学习作为一种有效的数据分析工具,可以从高维数据空间中挖掘出图像蕴含在低维空间的本征结构属性,降低图像的信息冗余,并提高计算效率,为后续的目标分类提供了保障。因此,本论文以流形学习理论为基础开展SAR图像目标识别技术研究,旨在提高目标识别的准确性和稳健性。论文的主要内容和贡献如下:1.提出了参数化监督流形学习的SAR图像目标识别算法。针对t-SNE方法描述SAR图像间相似性不准确的问题,引入了方位角信息监督样本间的近邻关系,增强了同类目标间的相似性。针对t-SNE算法存在的“外样本问题”,基于核理论对t-SNE算法进行了非线性参数化扩展以提高方法的泛化能力,从而获取了SAR图像的本征低维流形结构。通过分析稀疏表示理论度量流形距离的可行性和合理性,采用稀疏表示分类方法对低维流形结构进行距离度量,最终完成目标分类。该算法有效增强了传统流形学习算法目标识别结果的准确率。2.提出了鲁棒性局部鉴别嵌入流形学习的SAR图像目标识别算法。针对流形学习LPP算法易受邻域参数影响和鉴别能力弱的问题,通过监督LPP算法获取了高维数据空间到低维特征空间的线性投影,并利用提出的线性化扩展t-SNE算法对该线性投影进行迭代优化,进而提出了RLDP算法。该算法在保留了目标本征局部结构信息的同时增强了鉴别能力,并对邻域参数、特征维数的选择具有鲁棒性。特别地,与LPP算法相比,RLDP算法并不需要复杂的图像预处理。考虑到SAR图像复杂的非线性结构,我们对RLDP算法进行了非线性拓展,更加准确地描述了SAR图像的低维结构特征,进一步提高了目标识别结果的可靠性。3.在SAR图像本征结构为多流形的假设下,针对其低维特征表示问题,提出了JMLMA和MLA两种低秩近似的特征表示算法。JMLMA算法通过结合两种传统流形学习方法刻画SAR图像的多流形结构,MLA算法采用相似性和局部线性两种准则构建多流形结构。将多流形结构引入低秩矩阵框架中,实现了最优流形和低秩近似的交替优化。在分类阶段,为了充分利用获取的低秩表示中的局部特性,提出了LSR分类模型。大量实验证明,上述算法能够有效地处理扩展工作条件下的目标识别问题。4.针对训练样本中信息不充足的目标识别问题,提出了基于单演信号低秩稀疏和稠密混合表示的SAR图像目标识别算法。与只采用SAR图像强度信息不同,在这里引入了单演信号,利用不同尺度空间分量获取更多的SAR图像信息(能量信息、结构信息和几何信息),组成SAR图像的单演特征矩阵。将单演特征矩阵进行低秩分解,利用获得的共性信息字典和类别信息字典完成共性信息的稠密表示和未知样本类别的稀疏表示。根据类别信息的重构误差进行分类,即共性信息字典只参与对未知样本的充分表示,并不参与分类决策,保证了分类结果的可靠性和稳定性。通过目标结构变体和目标多种版本变体实验,验证了该算法的有效性。