提出一种SAR图像目标识别新方法。首次引入BM3D方法，用于滤除原始图像中的相干斑噪声，BM3D结合了空间域和变换域去噪的优势，滤波性能优异。在特征提取步骤，将低阶Hu矩与高阶Zernike矩组合，Hu矩描述目标的粗略信息，高阶Zernike矩描述目标的细节信息，因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练SVM分类器，对含噪的SAR图像进行识别实验。实验结果表明：本文方法的识别率高达9890%，优于已有的SAR目标识别方法。

随着激光技术的发展，激光成像雷达在现代战争复杂战场环境中逐渐获得了广泛的应用，目前激光成像雷达自动目标识别技术已成为国内外研究的热点问题。提出了基于组合矩的激光成像雷达目标识别算法，从激光成像雷达目标的距离像中提取低阶的Zernike矩、Hu矩和中心矩构成组合矩特征，该特征对距离像噪声不敏感，应用径向基函数(RBF)神经网络对三种地面目标进行分类识别。实验结果表明，该算法与应用Zernike矩和Hu矩特征进行分类识别相比，对三种激光成像雷达地面目标的平均识别率在高载噪比(20 dB)下分别提高了1.0%和3.7%；在低载噪比(10 dB)下分别提高了11.8%和42.5%；当载噪比高于17 dB时，该算法的平均识别率达到100%。因此该算法取得了比较好的识别效果。

不变矩方法是一种经典的特征提取方法。文中针对纹理细节信息较少的特定目标,首先在七个不变矩的基础上构建了组合矩。该组合矩具有旋转、平移、比例不变性和良好的类间可分离性,大大降低了算法的复杂性、提高了抗干扰能力。为了进一步提高匹配速度,引入多分辨率小波分解,利用低频系数来计算图像的组合矩特征量进行模板匹配。实验表明,对于细节信息较少的目标,该方法是一种具有较高实时性和鲁棒性的目标匹配算法。