| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·背景介绍 | 第7-8页 |
| ·基于SAR 的自动目标识别技术 | 第8-9页 |
| ·本文的研究工作及内容安排 | 第9-11页 |
| 第二章 SAR 图像预处理技术和传统目标识别技术 | 第11-21页 |
| ·SAR 图像预处理技术 | 第11-12页 |
| ·传统目标识别技术 | 第12-17页 |
| ·主分量分析（PCA） | 第12-14页 |
| ·线性判决分析（LDA） | 第14-17页 |
| ·支持向量机(SVM) | 第17-19页 |
| ·支持向量机(SVM)的基本理论 | 第17-19页 |
| ·核函数 | 第19页 |
| ·小结 | 第19-21页 |
| 第三章 基于张量理论的TPCA 和TLDA 算法 | 第21-33页 |
| ·计算机图像的张量表示 | 第22-23页 |
| ·张量分析中的子空间研究 | 第23页 |
| ·张量主分量分析（TPCA） | 第23-25页 |
| ·张量线性判决分析（TLDA） | 第25-29页 |
| ·改进的张量线性判决分析（TLDA-M） | 第29页 |
| ·实验结果 | 第29-32页 |
| ·数据库介绍 | 第29-30页 |
| ·实验结果 | 第30-32页 |
| ·小结 | 第32-33页 |
| 第四章 支持张量机及其改进算法 | 第33-45页 |
| ·引言 | 第33页 |
| ·张量原理 | 第33-35页 |
| ·支持张量机(STM) | 第35-37页 |
| ·基于最优投影的STM(OPSTM) | 第37-38页 |
| ·实验结果 | 第38-44页 |
| ·结论 | 第44-45页 |
| 第五章 基于STM 和OPSTM 的多分类器识别算法 | 第45-57页 |
| ·基于SVM 的多分类识别算法 | 第45-47页 |
| ·一对一支持向量机（1-vs-1 SVM） | 第45-46页 |
| ·一对多支持向量机（1-vs-all SVM） | 第46页 |
| ·其它的多类SVM 方法 | 第46-47页 |
| ·基于STM 的多分类器识别算法 | 第47-48页 |
| ·一对一支持张量机（1-vs-1 STM） | 第47-48页 |
| ·一对多支持张量机（1-vs-all STM） | 第48页 |
| ·基于OPSTM 的多分类器识别算法 | 第48-49页 |
| ·一对一OPSTM（1-vs-1 OPSTM） | 第48-49页 |
| ·一对多OPSTM（1-vs-all OPSTM） | 第49页 |
| ·实验结果 | 第49-55页 |
| ·一对多情况下实验结果 | 第50-52页 |
| ·一对一情况下实验结果 | 第52-54页 |
| ·一对多和一对一两种情况识别率对比 | 第54-55页 |
| ·结论 | 第55-57页 |
| 第六章 结束语 | 第57-59页 |
| ·本文内容总结 | 第57页 |
| ·工作展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 作者在攻读硕士学位期间（合作）的研究成果 | 第65-66页 |