针对红外图像目标分类问题，提出了结合多特征融合和极限学习机（extreme learning machine，ELM）的方法。采用主成分分析（principal component analysis，PCA）、局部二值模式（local binary pattern，LBP）以及尺度不变特征变换（scale-invariant feature transform，SIFT）三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性，因此具有互为补充的优势。在此基础上，基于多重集典型相关分析（multiset canonical correlations analysis，MCCA）对三类特征进行融合处理，获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性，还有效去除了冗余信息。分类过程中，采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点，有利于提高红外目标分类的整体性能。因此，所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中，采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比，实验结果证明了提出方法的性能优势。

针对合成孔径雷达（Synthetic aperture radar，SAR）目标分类问题，提出基于最大熵准则的多视角方法。采用经典的图像相似度测度构建不同视角SAR图像之间的相关性矩阵，在此基础上分别计算不同视角组合条件下的非线性相关信息熵值。非线性相关信息熵值可分析多个变量之间的统计特性，熵值的大小即可反映不同变量之间的内在关联。根据最大熵的原则选择最优的视角子集，其中SAR图像具有最大的内在相关性。分类过程以联合稀疏表示为基础，对具有最大熵值的多个视角进行联合表示。联合稀疏表示模型同时处理若干稀疏表示问题，在它们具有关联的条件下具有提升重构精度的优势。根据不同视角求解得到的表示系数，按照类别分别计算对于选取多视角的重构误差，并根据误差最小的准则进行最终决策。文中方法可有效对多视角SAR图像样本进行相关性分析，并利用联合稀疏表示利用这种相关性，能够更好提高分类精度。采用MSTAR数据集对方法进行分析测试，通过与几类其他方法在多种测试条件下进行对比，结果显示了最大熵准则在多视角选取中的有效性和文中方法对SAR目标分类性能的优越性。

红外成像是夜间观测的重要手段，在**民用领域都有着广泛运用。针对红外图像目标分类问题，将单演信号引入用于特征提取，用于对目标特性的分析。经过单演信号处理后的红外图像可用幅度、相位和方位三个成分描述。对于每一个成分的多尺度结果，采用矢量串接以及降采样结合的方式构建单一特征矢量。最终构造得到的三个特征矢量能够反映目标的多层次特性。采用联合稀疏表示作为三种单演信号特征矢量的表征模型。在重构过程中，充分利用三类特征之间的关联性从而提高整体重构精度。在不同类别上按照联合稀疏表示的求解结果计算对于测试样本的重构误差，进而决定测试样本的类别信息。该方法通过单演信号获取红外图像中目标的多层次特性，基于联合稀疏表示模型对这些特征进行充分分析和挖掘，从而提高目标分类的精度和稳健性。实验基于公开的中波红外（Medium wave infrared，MWIR）图像数据集开展，分别对原始样本、模拟噪声样本以及模拟遮挡样本进行分类。根据实验结果，并与几类现有算法对比，反映了所提方法对于红外图像目标分类问题能够取得更高的有效性和稳健性。