红外成像是现代战场侦察的重要手段，基于红外图像的目标识别技术可为情报解译提供重要支撑。针对红外图像目标识别，提出基于筛选深度特征的方法。设计适当结构的ResNet对红外图像进行特征学习，对于每个卷积层的输出特征图进行矢量化处理，获得相应的特征矢量。针对各个特征图的深度特征矢量，基于斯皮尔曼等级相关系数评价它们与原始图像的相关性。然后，通过门限判决算法选取若干具有高相关性的深度特征。经过筛选得到的深度特征可剔除了不必要的冗余成分，从而提升后续分类的精度和稳健性。采用联合稀疏表示模型对筛选得到的若干深度特征进行表征和分类，最终获取待识别样本的所属类别。因此，方法可有效结合ResNet多层次深度特征的鉴别力，从而提高最终的识别性能。实验在公开的中波红外目标图像数据集（MWIR）开展，利用原始测试样本、模拟噪声样本和模拟遮挡样本对方法性能进行测试和分析。实验结果表明：相比现有的部分红外目标识别方法，提出方法可取得更强的有效性和稳健性。

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。

针对合成孔径雷达（synthetic aperture radar，SAR）目标识别问题，提出联合多层次二维压缩感知投影特征的方法。采用二维压缩感知投影作为基础特征提取算法，具有不依赖训练样本、效率高等显著优势。构建多个二维压缩感知投影矩阵提取原始SAR图像的多层次特征。不同投影矩阵获得的特征具有差异性，从不同方面描述SAR图像的灰度分布特性；同时，这些特征源自相同的输入图像，因此也具有一定的内在关联性。采用联合稀疏表示对提取的多个特征矢量进行表征分析，在内在关联性约束下考察不同特征的独立鉴别能力，从而提升每一类特征的稀疏表示精度。最终，根据求解的稀疏表示系数，分别在各个训练类别上对测试样本的多类特征进行重构，获得重构误差。根据最小误差的准则，判定测试样本所属目标类别。通过综合运用多层次二维压缩感知特征提取和联合稀疏表示分类，提高SAR目标识别的整体性能。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证，结果反映其在标准操作条件（standard operating condition，SOC）和扩展操作条件（extended operating condition，EOC）均可保持可靠的识别性能。

提出基于复数二维经验模态分解（C-BEMD）的合成孔径雷达（SAR）图像目标识别。C-BEMD作为传统BEMD的复数域推广，能直接处理原始SAR图像（包含幅度和相位信息）。采用C-BEMD对原始SAR图像进行分解，获得多层次复数内蕴模函数（BIMF），反映目标时频二维特性。各层次BIMF既有独立描述能力，反映目标不同类型的特征；同时也具有内在关联性，即反映同一目标的固有属性。为此，分类算法基于联合稀疏表示设计，可利用内在关联性约束提高各层次BIMF的表征精度。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证，结果反映其在标准操作条件（SOC）和扩展操作条件（EOC）均可保持可靠的识别性能。

提出基于多元模态分解的合成孔径雷达（SAR）目标识别方法。多元模态分解是传统模态分解的多元扩展，能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理，获得的多层次固有模式函数（IMF）能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性，同时它们描述同一目标因而具有内在关联性。分类阶段，采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下，对多个关联稀疏表示问题进行求解，可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上，计算不同类别对于当前测试样本多层次IMF的重构误差之和，进而判定测试样本的目标类别。基于MSTAR数据集开展实验，通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析，验证了提出方法的有效性。