在合成孔径雷达(SAR)目标鉴别问题中,好的特征集是分类鉴别的关键。现有文献提出大量SAR目标鉴别特征,但是并不是每个特征都具有较强的可鉴别性,甚至有些特征联合使用反而会取得较差的鉴别结果。因此,合理对鉴别特征进行特征变换至关重要。本文主要研究基于Fisher准则的特征降维变换方法及其在SAR图像目标鉴别上的应用。Fisher线性判决分析(FLDA)是经典的降维判决方法,以其准则函数构造简单、求解方便而被广为应用。但是,FLDA并不能在所有数据上找到最优投影方向。本文第二章首先以仿真数据为例,详细分析了FLDA不适用的数据类型,然后提出一种结合序列假设检验的降维判决方法,最后以多组UCI数据集和SAR图像集验证其分类判决效果。该方法具体描述为:首先利用FLDA得到投影方向,然后通过序列假设检验引入迭代,在迭代中更新未知样本的先验信息,重新寻找投影方向,最终确定对未知样本最合适的投影判决空间。为了在降维判决的同时达到特征选择的目的,本文第三章在FLDA的回归模型上增加范数约束,提出了一种结合稀疏特征选择的降维判决方法。该方法利用投影判决矩阵中各行向量和数据中各个特征的一一对应关系,通过对投影判决矩阵进行稀疏约束,在确定最优投影方向的同时令投影判决矩阵的部分行为零,使得在投影变换后,投影判决矩阵为零行对应的特征不参与最终判决,屏蔽了特征集中无效特征、冗余特征对投影方向的影响,在降维判决的同时实现了特征选择。在多组UCI数据集和SAR图像集中,融合特征选择的降维判决方法取得了优于同类方法的结果。