图像识别是模式识别领域的典型应用,它通过计算机算法对图像进行处理、分析和理解,以识别图像中各种不同模式的对象。合成孔径雷达(Synthetic Aperture Radar,SAR)图像在当今科技的快速发展且日新月异的情况下,在各个领域尤其是军事领域发挥越来越多的作用,越来越多的学者将研究重心集中在SAR图像目标识别。而其中的自动目标识别(Automatic Target Recognition,ATR)技术是SAR图像识别系统的核心技术,由于ATR在对图像特征的学习以及提取过程所发挥的作用,使其成为国内外学者的研究热点。ATR主要借助于SAR图像数据,依靠计算机算法对图像目标区域进行定位,并从中提取出包含大量目标信息的图像特征,并对特征信息进行识别。近年来,很多SAR图像目标识别算法被提出,类似于其他图像识别算法的三个过程:图像预处理、图像目标特征提取和图像目标识别,本文同样从该三个方面出发,主要做了以下工作:(1)对于图像预处理,SAR图像中有大量的背景噪声以及图像目标占SAR图像比例较小,本文首先采用质心定位法寻找SAR图像感兴趣区域(Region of Interest,ROI),通过对原始图像感兴趣区域的提取以达到去除SAR图像背景噪声的效果。在本文的实验中,SAR原始图像中提取的ROI图像大小分别为49×49和64×64,实验结果表明ROI图像可以很好地去除SAR图像背景噪声;其次,在机器学习尤其是无监督学习和深度学习中,算法对训练数据的数据量有较高要求,同时SAR图像往往局限于图像数据量,因此,本文结合SAR图像成像时对目标方位角敏感的特点,提出了两种基于SAR图像的数据增强的方法,通过旋转图像中目标物体的方位角,以及在原始图像上增加随机整数值来得到更多图像数据,实验结果表明所提方法具有有效性。(2)深度学习(Deep Learning,DL)是机器学习中一大热门,在许多领域如图像识别、语音识别、自然语言处理等领域取得了突破。卷积神经网络(convolutional neural networks,CNN)是深度学习算法的一种,本文结合CNN原理,训练了一个深度CNN网络模型SARnet,SARnet包含两个卷积层,卷积核大小为7×7、两个池化层、两个全连接层;结合数据增强方法对训练集扩充为原始数据库的22倍之后,对网络进行训练,并用训练得到的网络模型对MSTAR数据库测试集进行特征提取,用SVM对提取出的特征进行分类,最终识别率达到了95.68%,该识别率高于其他CNN模型。(3)近来在机器学习中,研究学者已经将目光集中在从一些没有标签的数据中学习特征,本文针对SAR图像特征提取,先采用感兴趣区域提取使输入图像大小为64×64;然后采用无监督K均值特征学习算法,结合数据增强后的训练数据库,学习到一些有用的表示。通过分块自编码和优化接受域参数进行SAR图像特征学习可以使模型学习到多样性的特征,并通过实验证明,结合K-means的无监督特征学习得到的特征可以使SAR图像识别率达到96.67%的主流识别率。