合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候等特点,是一种重要的对地观测手段。SAR目标识别利用SAR图像信息实现目标种类、型号等属性的判定,在战场侦察、精确打击等军事领域有明确的应用需求,是提升SAR传感器信息感知能力、实现SAR技术应用的关键技术之一。近十几年来,SAR目标识别技术在相关理论和方法研究方面已取得较大的研究进展。但在识别目标数据库构建、目标特征库建立、快速检测与定位、分类判决等方面,还存在理论研究不深入、信息难以快速转化、识别方法实用性不强、识别系统智能化程度低等问题,从而限制了SAR技术的深层次发展。本论文围绕SAR图像目标识别中的目标特征库以及分类判决等关键问题,从稀疏特征提取、多特征多分类器融合以及认知学习等方面开展了较为深入的研究,主要创新如下:1、提出了L1/2-NMF目标特征提取算法,通过在非负矩阵分解目标函数中引入L1/2范数约束,增加分解基矩阵和特征矩阵稀疏度,降低特征信息冗余,提高了基于非负矩阵分解的目标特征描述性能;2、提出了基于层级推动融合策略的目标分类判决方法,结合并联和级联结构的优点,通过每层分类置信度判断,实现分类结果的逐层判决、逐层融合,从而减少了特征冲突,提高了多分类器融合效率,实现了多维度特征的有效利用与融合;3、针对小样本数据集识别问题,提出了基于目标层级特征表示的识别方法。通过深度学习多层网络模型的构建,实现了目标特征的多层表示,并提取最佳层级特征送入模式分类器,提升了小样本数据集目标识别准确率;4、提出了约束受限玻尔兹曼机目标识别方法。通过引入广义稀疏约束,增加权重基矩阵和隐含层单元稀疏度,提高了基于受限玻尔兹曼机的目标特征表示的有效性;将约束受限玻尔兹曼机引入层级特征识别,明显改善了SAR目标识别性能。以上工作,已通过基于MSTAR数据库的识别试验验证,有效提高了SAR目标识别系统的识别效率和准确率。