合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天时、全天候、主动对地观测传感器,实现SAR图像目标识别具有重要意义。由于SAR图像获取成本高以及SAR图像目标姿态敏感性,导致用于目标识别的带标签SAR图像样本不完备,对SAR图像目标识别带来挑战。多任务学习(Multi-task Learning,MTL)利用不同信息源或特征,同时学习多个回归模型优化参数,实现多特征信息融合,有利于提高识别性能。本文基于SAR图像多尺度特征的稀疏表示,研究MTL架构中的特征选择策略、稀疏表示、稀疏求解等问题,主要完成工作如下:(1)为满足MTL对多尺度特征在稀疏域中空间分布相似性的要求,提出一种基于稀疏向量分布相似度的特征选择方法。首先,对验证集样本进行多尺度特征稀疏表示,在不同尺度下,按类别统计稀疏度分布,定义尺度间的稀疏度分布相似度矩阵,求得对应的相关信息熵。最后,选择相关信息熵最大的特征子集。通过实验分析特征的冗余性和目标识别率,验证了特征选择方法的有效性。(2)针对训练样本量不充足时,稀疏表示自由度偏高,提出一种多尺度特征的局部线性约束稀疏字典优化方法。基于MTL的架构,建立多尺度特征局部线性约束,降低稀疏表示自由度,实现稀疏字典的优化,提高了样本不充足下的目标识别率。实验表明,在训练样本不充足时,与联合稀疏表示相比,本文方法提升了目标识别效果。(3)设计了一种多尺度邻域加权的匹配追踪算法。在MTL的架构下,通过对残差的多尺度稀疏向量进行邻域加权,选择原子,实现匹配追踪,得到多尺度联合稀疏系数。在不同尺度下按类别稀疏重构,依据多尺度累加重构偏差,实现目标分类。实验结果表明该算法的重构精度与凸优化方法相当并且耗时较短。