合成孔径雷达(SAR)成像技术具有全天时、全天候、分辨率高、探测距离远等优势,是一种不可替代的雷达信息获取方式,具有重要的军事和民用价值。随着SAR成像技术的发展,雷达图像数据量越来越大,如何从海量的雷达图像中,快速发现目标并对目标类别进行有效预测是雷达图像解译中一个亟待解决的问题。本文从两个方面对SAR图像解译进行深入的研究,其一为复杂背景下的SAR图像目标检测,其二为SAR目标识别方法研究。在SAR图像目标检测中,通常采用基于能量对比度的方法进行检测,这类方法隐含着目标的RCS远大于杂波的RCS这一假设,然而,对于弱目标或强杂波环境下,这一假设往往并不能得到满足,针对这一问题,论文利用极化信息对目标进行检测,提出了不依赖于能量的检测方法。在SAR图像目标识别中,针对数据的高维特性、角度敏感性导致的多模分布特性,提出了相应的监督特征提取降维方法。论文可以概括为以下四个部分:1.针对传统目标检测方法对能量的依赖问题,提出一种基于监督非相干极化SAR图像舰船目标检测方法(SIDL)。在极化散射类型上,人造目标通常表现为二面角、窄二面角等散射类型,而自然杂波则表现为平面散射、体散射等类型,在极化散射类型上存在一定差异。基于这一原理,SIDL通过构建目标函数,学习一个结构化的非相干极化字典,对样本进行稀疏表示。该算法通过抑制子字典对交叉样本的表示能力及降低子字典间相干性两个方面降低子字典对交叉样本的表示能力,从而增加极化字典对杂波和目标的区分能力,在低虚警率下对目标实现较好的检测。该算法仅依赖于极化信息进行检测,是一种独立于能量的检测方法。通过RADARSAT-2数据集进行验证,该算法可以有效对弱小目标进行较好的检测。2.针对极化检测方法利用极化散射类型单一的问题,提出一种基于Dirichlet过程混合的多极化散射机理极化SAR图像目标检测算法。目标极化散射类型通常是多样的,具有显著的多模结构特性,因而利用单一极化散射类型并不能有效的对目标进行检测。论文所提算法利用贝叶斯非参数化技术,对数据极化特征空间进行划分,并在每一个局部区域设计一个极化检测器,组合各个局部极化检测器,从而实现基于多极化散射机理的目标检测。该算法利用极化分解特征进行检测,有效避免对能量的依赖,因而,可以对弱小目标进行有效检测。考虑到多种极化分解特征具有一定的冗余性,通过加入稀疏特征选择,有效降低特征间的冗余。通过RADARSAT-2实测数据进行验证,论文所提方法可以有效对弱目标实现检测。3.针对SAR图像识别中的小样本引起的模型过拟合的问题,提出了一种稳健的最大边界线性判别投影方法。该算法利用贝叶斯方法进行建模,将特征投影、分类联合在一起进行学习,提高投影子空间中样本类别的区分能力。通过采用样本污染扩充的方法——Dropout技术,降低模型的过拟合风险,从而提高小样本下模型的稳健性。SAR图像目标识别公共数据集MSTAR上的实验,有效验证了模型的性能。4.针对角度敏感性带来的SAR图像数据多模分布特性,利用贝叶斯非参数化技术提出无限混合的监督特征提取方法。主要包含两个部分:无限混合最大边界线性判别投影(iMMLDP)和无限混合核最大边界判别投影(iKMMDP)。在iMMLDP中,通过采用贝叶斯非参数化技术,将数据空间划分为若干个局部区域,并在每一个局部区域学习一个最大边界判别投影分类器。在完全贝叶斯框架下,iMMLDP模型将数据降维、聚类、监督分类联合进行学习。对于更为复杂的数据结构,如具有局部非线性结构的数据,通过核方法,对iMMLDP模型进行非线性推广,提出了iKMMDP模型。得益于模型的共轭先验假设,参数可以通过Gibbs采样方便求解。最后,采用仿真数据,基准数据集及MSTAR数据集验证了模型的有效性,对于具有多模分布数据,模型性能提升明显。