Dans le présent papier, nous proposons l’étude et l’application d’une nouvelle approche pour l’aide à la reconnaissance automatique de cibles (ATR, pour Automatic Target Recognition) à partir des images à synthèse d’ouverture inverse (ISAR, pour Inverse Synthetic Aperture Radar). Cette approche est composée de deux phases principales. Dans la première phase, nous utilisons deux méthodes statistiques pour extraire les caractéristiques discriminants à partir des images ISAR. Nous nous intéressons dans ce travail aux deux descripteurs multiéchelles issus des deux méthodes SIFT (Scale-Invariant Feature Transform) et la décomposition en ondelettes complexes DT-CWT (Dual-Tree Complex Wavelet Transform) qui sont calculées disjointement. Ensuite, nous modélisons séparément les descripteurs issus des deux méthodes précédentes (SIFT et DTCWT) par la loi Gamma. Les paramètres statistiques estimés sont utilisés pour la deuxième phase dédiée à la classification. Dans cette deuxième phase, une classification parcimonieuse (SRC, pour Sparse Representation-based Classification) est proposée. Afin d’évaluer et valider notre approche, nous avons eu recours aux données réelles d’images issues d’une chambre anéchoïque. Les résultats expérimentaux montrent que l’approche proposée peut atteindre un taux de reconnaissance élevé et dépasse largement l’utilisation du même descripteur avec le classifieur machine à vecteurs de support (SVM, pour Support Vector Machine).