合成孔径雷达(Synthetic Aperture Rader,SAR)是一种微波成像雷达,具有很多独特的优势,比如不受光照和气候影响,能够全天进行观测,甚至可以获取一些被其他物体掩盖的信息。随着科技的发展和时代的进步,SAR成像技术的使用越来越广泛,SAR图像分类和检测在军事、民生等诸多领域有着广泛的应用前景,已经逐渐成为SAR图像解译的主要研究方向。本文基于稀疏表示理论、贝叶斯稀疏表示、空间语义、子分类概念等,开展了针对SAR图像地面典型目标(车辆、建筑、机场等)的分类与检测技术的一系列研究工作,主要研究内容概括如下:(1)设计了一种基于K-means聚类算法的SAR图像训练集子分类方案。由于现有的子类别分类模型中,子类别算法仅针对目标的特征辨别能力较强的光学图像,而SAR图像由于其成像的特殊性,包含的信息少、信噪比低且存在一定的斑点噪声,导致SAR图像中目标的表征发生较大变化,辨别能力较弱,因此无法将现有的子分类算法直接应用于SAR图像。此外,相干斑噪声也会对特征的准确描述带来干扰,使得SAR图像目标存在一定的类内差异和类间模糊。本文结合SAR图像的特点,基于LBP描述算子,设计了一个SAR图像训练集的子分类方案。通过对训练集类别进一步的子分类,减少图像的类内差异,提高分类模型的性能,减少SAR图像目标由于类内差异引起的误差。(2)构建了一个基于贝叶斯稀疏表示的SAR图像目标分类模型。针对稀疏表示在实际应用中难以求得全局最优解的问题,引入了贝叶斯稀疏表示来近似求解稀疏表示,使得测试样本数据基于训练集字典进行稀疏表示时,能够求解出稀疏表示的全局最稀疏解,使得样本后续的稀疏重建能够达到更好的精度。然后,将基于K-means聚类算法的训练集子分类方案与贝叶斯稀疏表示框架相结合,构建了一个基于贝叶斯稀疏表示的分类模型,并对测试样本的多个特征稀疏重建后的重构残差进行线性融合,减少了由于SAR图像类间模糊而引起的错误分类,提高了分类准确率。基于真实数据集的实验证实了所提出方法的可行性。(3)提出了一种基于贝叶斯稀疏表示融合框架和空间语义匹配的SAR图像机场跑道检测方法。算法主要包含跑道评估与确认两个部分,首先将贝叶斯稀疏表示框架和线性融合相结合制定了机场主跑道(PR)和辅助跑道(AR)的跑道评估策略,对感兴趣区域(ROI)进行机场评估,如果满足评估条件则进入确认程序。然后,将空间语义关系纳入跑道检测的最终确认程序,通过机场主跑道(PR)、辅助跑道(AR)与整个跑道区域(RR)跑道之间的空间关系,基于其定向梯度直方图(HoG),开发了两个空间语义规则来验证每个候选的感兴趣区域,如果匹配成功,确认候选的感兴趣区域为机场目标。由于融合结果由多个重建残差确定,因此可以获得PR和AR的稳健评估结果。通过开发机场主跑道(PR),辅助跑道(AR)和整个跑道区域(RR)之间的空间关系,所提出的方法相较于其他方案而言拥有更高的检测精度。基于真实场景的测试结果证明了本文提出的方法的有效性。