合成孔径雷达(Synthetic Aperture Radar，SAR)的自动目标识别(Automatic Target Recognition,ATR)技术在军事目标探测和民用遥感领域的重要作用已经使其成为了国内外研究的热门课题。然而因为SAR特殊的成像机制导致其生成图像受到固有相干斑噪声、透视收缩和顶底倒置的影响。这些问题的存在使得SAR图像的处理比一般光学图像更有难度，研究进展也相对缓慢。本文围绕SAR图像处理与识别中的一些关键技术展开研究并提出了一些新的算法。首先从SAR图像相干斑噪声产生的物理机理出发，研究了相干斑的统计特性，给出了一种基于乘积模型的统计分布模型。在此基础上，对相干斑抑制技术，以及后续的特征提取技术和图像分割技术进行了系统地研究，并提出了实际有效的SAR图像相干斑抑制方法、SAR图像边缘检测方法和SAR图像分割方法。最后，形成一套SAR图像ATR系统，并通过运动和静止目标的捕获与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据库图像验证系统的有效性。本文的主要研究内容为:　　在SAR图像数据统计建模方面，传统的统计建模方法通常假设一个分辨单元内的散射体个数足够多而满足中心极限定理，随着SAR图像分辨率的不断提高，分辨单元越来越小，中心极限定理条件不再满足。而基于广义中心极限定理提出的统计模型拖尾Rayleigh分布假设地物的真实雷达散射截面积(Radar Cross Section,RCS)为常数，当地物场景为同质均匀区域时，假设是成立的，但是当地物场景为起伏的不均匀区域时，假设不成立。针对这个问题，本文提出了一种基于广义中心极限定理的乘性统计模型。在该模型中，用拖尾Rayleigh分布拟合高分辨率SAR图像相干斑的尖峰和厚尾的特征;同时用混合Gamma分布对高分辨SAR图像RCS为复杂起伏特性进行表征。与传统的统计建模方法相比，新的统计建模方法对不均匀高分辨率SAR图像区域拟合的精度较高。　　在SAR图像相干斑抑制方面，首先利用第二章建立的相干斑与RCS模型，进行RCS表达式的推导，进行图像重建。其次，提出一种基于形态学成分分析和超完备字典稀疏表示的相干斑抑制方法，并基于快速迭代收缩方法推导出稀疏系数表达式。由于图像具有结构性，而噪声是随机的，通过分层和选择适当的超完备字典，图像可以被稀疏表示，而噪声是遍布整个变换域的且幅度很小容易被抑制。实验结果验证了该算法不论在相干斑抑制程度还是在图像边缘保持程度上都优于已有算法。　　在SAR图像纹理特征与边缘特征提取方面，分析了利用灰度共生矩阵提取SAR图像纹理特征时的信息冗余问题，并讨论了利用主成分分析方法去冗余对目标识别的影响。同时提出了一种基于小波的边缘检测方法。整个边缘检测过程分为两部分，首先通过平移不变离散小波变换将SAR图像分解，并对子带图像进行边缘增强，然后利用二值化和Sobel检测相结合的方法对SAR图像进行边缘检测。与传统的缘检测方法比较，本方法获得了更好的性能和更低的计算量。　　在SAR图像分割方面，提出了一种基于半监督超像素的非平衡二向图分割方法。该算法在构造非平衡二向图时，利用超像素集代替像素集有效降低了后续处理的节点个数，并利用Manhattan距离和对称Kullback-Leibler散度联合方法对超像素间的纹理相似度进行测量，提高了测量精度，最后通过节点之间的相关性分值构造互关联矩阵，得到聚类结果。利用Sandia国家实验室SAR图像数据库数据进行实验，结果表明此算法与其它对比算法相比在边缘保持上有明显优势，获得更佳的分割效果。　　在SAR图像目标识别方面，以2-5章的研究成果为基础构造SAR图像目标特征提取及识别框架，并提出了基于多特征融合的二维主成分分析AdaBoost(Two Dimensional Principal Component Analysis-AdaBoost，2DPCA-AdaBoost)SAR图像识别算法。该算法利用2DPCA对纹理特征，灰度特征进行降维，然后融合SAR图像目标轮廓特征进行综合决策分类，特征融合增强了AdaBoost分类能力。基于MSTAR数据库的实验结果表明本识别系统具有较高的识别性能。此外，研究了基于单层非监督模型的SAR图像特征提取和目标识别方法。首先将训练图像分割成小块，并随机的选取图像块作为基本单元，然后通过K-means学习获得聚类中心，并将聚类中心作为特征基，与图像卷积映射进行特征提取，最后利用支持向量机进行分类识别。基于MSTAR数据库的实验结果表明此方法的有效性。因为整个过程不需要人工参与特征的选取，因此提高了目标识别的效率。