合成孔径雷达(Synthetic Aperture Radar,SAR)拥有高的距离向和方位向分辨率,并且具备强穿透力和全天候的特性,在军事、地质勘探、环境状态监控等领域有着普遍的应用。本文将对SAR图像的识别展开研究,具体包括:1、针对SAR图像中的斑点噪声和背景阴影会降低图像的可识别性,本文研究了均值、中值、Lee、Gamma Map和增强型方向平滑五种滤波算法,并对图像进行了目标分割、几何聚类、能量归一化等一系列预处理。仿真实验表明:1)增强型方向平滑滤波器比其它滤波器具有更好的噪声平滑和细节保留能力;2)基于Weibull分布的恒虚警(Constant False Alarm Rate,CFAR)分割方法优于基于K分布的CFAR分割方法,能够有效地分割出目标区域;3)几何聚类可以有效地去除分割后图中出现的小孤点。2、相比全局线性的特征提取算法,基于流形学习的特征提取算法具有更好的几何结构保留能力,能够很好的提取数据的本质特征,因此本文研究了基于流形学习的线性特征提取算法。仿真结果表明:1)利用了类别信息的方法识别性能优于未利用类别信息的方法,类别信息的使用可减少特征提取后数据邻域中出现异类数据的几率;2)添加了统计无关约束的方法,与其对应的未增加此约束的方法相比,具有更好的识别性能,该约束条件能减少所提取特征的冗余性;3)二维方法对训练样本数目的敏感度要低于其对应的一维方法,因为二维方法避免了数据的向量化,从而减少了计算数据的维度,降低了数据的奇异性;4)本文提出的主成分分析(Principle Component Analysis,PCA)和类局部保留映射(Classwise Locality Preserving Projection,CLPP)融合方法识别性能优于单一的 PCA和 CLPP。CLPP仅考虑的局部特性,而未考虑全局性,因此和全局性特征提取算法PCA融合之后具有更优的识别性能。3、SAR图像受噪声、方位角等影响,导致其数据分布不完全是线性的。而非线性方法可以克服此问题,因此本文研究了基于流形学习的非线性特征提取算法。仿真结果表明:1)非线性方法比其对应的线性方法具有更好的识别效果,其通过非线性变换使数据投影至高维空间,使得数据具备了更好的线性可分性;2)本文提出的将核主成分分析(Kernel PCA,KPCA)和CLPP融合的算法相优于其它算法。数据分布空间全局是非线性的,而局部可近似线性。因此全局非线性算法KPCA和局部线性算法CLPP融合后,得到的特征表现出更好的识别效果。