合成孔径雷达(Synthetic Aperture Radar,SAR)作为微波遥感的代表,在地球科学遥感领域有着独特的优势,广泛地应用于军事、农业、地质、海洋监视、灾情监视等领域。如何实现SAR图像的目标的准确识别,同时提高运算速度,成为了图像处理与解译领域的研究热点。作为建立在统计学习理论基础上新一代的机器学习技术,支持向量机(Support Vector Machine,SVM)在小训练样本、非线性情况下具有较好的泛化性能和推广能力。本文将支持向量机的有关方法应用于SAR图像的目标识别方向,主要工作有：介绍SVM理论,总结出SVM的基本思想和应用方向；综述SAR图像目标识别的研究现状,总结SAR图像目标识别的一般流程和关键技术；介绍基于小波变换的目标特征提取方法,验证该方法具有较高的特征提取准确率；介绍基于核的主成分分析方法(KPCA),采用构造核函数的方式,巧妙避开非常复杂繁琐的点积运算,有效地解决了大规模样本集带来的巨大运算量难题,提高运算速度；在常用支持向量机算法的基础上提出增量训练算法,即根据训练集中支持向量的分布特点,用支持向量来替代样本集,实现了小规模的矩阵运算。经仿真验证,基于增量算法支持向量机的SAR图像目标识别,在小样本、非线性情况下能够达到较高的识别率,并且提高了运算速度,缩短了训练时间。最后,采用KPCA特征选择方法和支持向量机结合的方法对SAR图像进行目标识别,试验结果证明：采用KPCA特征选择方法和SVM增量训练算法结合的方法可以取得较高的识别精度,且运行时间大大缩短,是一种有效的SAR目标识别方法。