合成孔径雷达(SAR)由于其具有全天时、全天候的工作能力,已被广泛的应用于民用和军事领域。SAR自动目标识别(ATR)技术致力于从复杂的地物场景中有效的检测到目标,并对检测到的目标进行识别。具体的说,ATR的过程就是在雷达对目标进行检测和定位的基础上,根据目标和背景的雷达回波信号,提取出目标的特征,最终实现感兴趣目标的属性、类别或型号的判定。SAR ATR技术的研究对于提高军队的指挥自动化水平、战场感知能力、攻防能力、国土防空反导能力及战略预警能力等军事应用领域具有十分重要的作用,是目前国内外学者研究的热点。本论文以实测的MSTAR数据为基础,在SAR图像统计模型的基础上,结合流形学习、稀疏描述等理论对基于模型的SAR自动目标识别方法中的关键步骤——特征提取进行了较为深入的研究,提出了一些新的思想和方法,取得了良好的效果,在第二章和第三章中提出了基于流形学习理论的SAR目标识别算法,在第四章到第六章中提出了基于稀疏描述理论的SAR目标识别算法。主要工作内容及研究成果如下:第一部分考虑到流形学习算法能在更符合数据实际分布的流形空间中进行特征提取,能更好的捕获数据的局部流形结构,提出了一种基于局部保持特性和混合高斯分布相结合的SAR图像特征提取算法,以实现SAR目标识别。该算法从统计的角度进行特征提取,采用混合高斯分布建模SAR图像中斑点噪声和模型误差的统计分布,将局部保持特性和混合高斯分布相结合以保持数据的局部结构。实验结果表明该方法优于基于局部保持投影的识别算法。第二部分为了更好的捕获SAR图像的局部结构,提出了一种基于局部保持特性和Gamma分布相结合的特征提取算法,以实现SAR目标识别。该算法采用乘积模型建模SAR图像,将斑点噪声建模为Gamma分布以更好的描述SAR图像的本质特征。为保持数据的局部结构,将能够较好保持数据局部结构的局部保持特性和Gamma分布相结合。此外,该部分还对局部保持特性中的相似度矩阵进行了修正,以实现数据局部特征和全局特征的联合提取。实验结果验证了该算法提取的特征更加准确、全面,识别率高于基于局部保持特性和混合高斯分布相结合的识别算法。第三部分针对SAR图像所特有的对目标方位角变化敏感的特性,提出了一种基于Dempster-Shafer证据理论融合目标细节特征和样本全局统计特性的目标识别算法。详细的分析了多稀疏描述(MSR)在目标细节特征提取上的优势。根据多稀疏描述和样本统计特性分别构建2个基本概率分配函数以捕获目标的细节信息和全局特征,采用Dempster-Shafer证据理论进行特征级融合,将样本的细节特征和全局特征融合起来,实现样本特征的全面提取以提高识别率。实验结果验证了该算法进行SAR目标识别的有效性。第四部分为了更好的捕获SAR图像的全局信息,提出了一种基于贝叶斯融合的稀疏描述算法实现SAR目标识别。该算法采用贝叶斯融合将更为精确的SAR图像描述和稀疏性相结合。考虑SAR图像中存在的非高斯的斑点噪声和模型误差,采用混合高斯分布建模似然函数来拟合噪声分量的统计特性,以得到SAR图像更为精确的全局信息。采用拉普拉斯分布建模先验函数来保持稀疏性。通过贝叶斯融合将似然函数和先验函数相结合,融合结果能够实现对SAR图像更精确的稀疏描述,可以更好的实现SAR目标识别。实验结果验证了该算法的识别效果优于现有的基于稀疏描述的识别算法。在第五部分中,考虑到基于稀疏描述的识别算法是在稀疏重构空间中进行识别的,提出了一种新的维数约简算法,利用该算法对样本进行降维时,可以保证在高维空间距离近的样本,对其降维后的数据进行稀疏描述时,在稀疏重构空间中对应的重构数据之间的距离仍然近。实验结果表明该维数约简算法能明显提高基于稀疏描述的SAR目标识别的正确率。