作为一种非线性维数约减算法，高斯过程隐变量模型(Gaussian process latent variable model, GPLVM)由于其适合处理小样本、高维数据，因而在模式识别、计算机视觉等领域得到了广泛应用.基于此，提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法，其中利用改进的GPLVM进行特征提取，高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化，为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点，提出基于免疫克隆选择算法的GPLVM，利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明，该算法不仅降低了特征维数，且提高了识别精度，从而验证了算法用于SAR图像目标识别的有效性.

传统分类后比较法(post-classification comparison,PCC)存在分类累积误差问题,且对单幅图像分类精度要求较高,对此,根据不同时相图像的不变信息所具有的相关性,提出了一种基于两时相图像联合分类的SAR图像变化检测方法.该方法以灰度值作为输入信息,通过相似度计算可得两时相图像对应位置像素的灰度相似度,然后求解全局相似度阈值,并用于控制基于K-均值的联合分类器对两时相图像进行联合分类,最后通过类别比较获得变化检测结果.实验结果表明本文方法不但可提高单幅图像的分类精度,而且能够精确地把不同时相图像的不变地物信息划分为同一类别,减少了分类累积误差的影响,提高了变化检测性能.