合成孔径雷达(Synthetic Aperture Radar,SAR),由于具有全天时、全天候的工作特点,成为目前一种不可或缺的遥感观测手段,在军事和民用领域得到了广泛的发展。SAR图像自动目标提取是其应用的重要方向之一,该技术的研究近年来受到国内外学者的广泛关注。本论文以发展实用化的SAR图像自动目标提取技术为目的,结合自动目标提取相关理论和应用背景,针对其中的复杂场景SAR图像目标检测、复杂场景SAR图像目标鉴别和面向鉴别特征提取的目标切片图像分割问题,展开系统的分析和研究,具体内容如下:第一部分,研究了多目标和杂波边界等复杂场景SAR图像中的目标检测问题。对于复杂场景中的目标检测问题,背景参考窗内均匀同质杂波像素的筛选是问题解决的关键,通常采用像素筛选或半窗筛选的策略实现。通过比较传统像素筛选类和半窗筛选类检测算法的各自优势,在背景杂波服从G~0分布模型假设下,提出了一种基于自动区域筛选的恒虚警率(Constant False Alarm Rate,CFAR)目标检测算法。该算法首先将局部参考窗均匀划分成若干个区域块;然后利用变化指数统计量对局部参考窗内的参考区域进行筛选,以剔除其中具有异质像素干扰的非均匀区域;接着利用均值比统计量对参考窗内的同质均匀区域进行合并,以解决杂波边界处的背景杂波筛选问题;最后利用筛选获得的均匀同质区域内的杂波像素对背景杂波的统计模型进行参数估计,进而实现待检测区域内像素的目标检测。第二部分,从图像超像素分割角度出发,进一步研究了复杂场景SAR图像中的目标检测问题。随着SAR图像分辨率的逐渐提高,目标在图像上的形状结构越来越清晰。图像超像素分割通过将图像邻域内具有相似特征的像素进行聚类,从而能够实现这种形状结构在图像上的有效提取。此外,以超像素代替像素作为图像的最小处理单元,不仅能够提高后续检测方法的计算效率,还能够提高其最终的检测性能。工作主要有以下两点:(1)在SAR图像局部区域杂波服从Gamma分布假设下,提出了一种SAR-SEEDS超像素分割算法。该算法首先以均匀网格划分作为图像初始超像素分割;然后以超像素分割的能量评估函数为判决准则,在图像层级结构中对超像素边缘进行迭代修正。SAR-SEEDS算法首先在大尺度层对超像素进行边缘更新,实现超像素边缘的粗修正;然后逐步降低尺度;最后在像素层进行边缘更新,实现超像素边缘的精细修正。该层级结构边缘更新方式,不仅能在一定程度上避免算法陷入局部最优解,同时还能有效地提升算法的收敛速度。(2)以SAR图像超像素分割预处理为基础,在背景杂波服从G~0分布模型假设下,提出了一种基于超像素筛选与合并的CFAR目标检测算法。算法通过以下几个步骤实现SAR图像的目标检测:首先,利用SAR-SEEDS超像素分割算法对待检测图像进行超像素分割,实现图像局部均匀区域划分;其次,利用超像素筛选算法将图像中的超像素分为背景类超像素和潜在目标类超像素;然后,在待检测超像素的局部参考窗内,利用区域合并技术对其中的背景类超像素进行区域合并,实现背景区域的图像分割;接着,根据参考窗内背景类超像素区域的图像分割结果,选择待检测超像素的参考背景杂波区域,并确定检测阈值,实现超像素的目标检测;最后,再次利用区域合并技术对被检测为目标的超像素进行合并,进而获得最终的图像目标级的检测结果。第三部分,研究了复杂场景SAR图像中的目标鉴别问题。考虑到目标和杂波切片图像中局部结构特征分布的不同,提出了一种基于多特征融合词包(Bag of Words,BOW)模型的SAR图像目标鉴别算法。在BOW模型底层特征提取阶段,算法采用SAR-SIFT特征描述局部区域的形状信息;同时,采用基于传统鉴别特征提出的一组SAR图像局部特征来描述局部区域的对比度信息和纹理信息。对于BOW模型中多个底层特征的融合,算法采用图像层的特征融合方式生成图像的全局鉴别特征,其中各单底层特征BOW模型特征的权系数通过L2范数约束的多核学习(Multiple Kernel Learning,MKL)方法训练得到。第四部分,研究了SAR目标切片图像分割问题。在SAR目标切片图像分割问题中,背景杂波区域和目标散射区域的像素幅值一致性对图像分割质量具有直接的影响。基于此,提出了一种基于幂次变换的SAR图像Otsu分割算法。算法首先对SAR图像进行相干斑滤波,通过邻域平滑处理提高背景区域和目标区域的像素幅值一致性;然后自适应地选取变换幂次,对滤波后的SAR图像做幂次变换,以进一步增强目标区域的像素幅值一致性;最后直接利用一维Otsu分割算法对变换后的图像进行分割处理。