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 com- posée 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 multi- échelles issus des deux méthodes SIFT (Scale-Invariant Feature Transform) et la décomposition en ondelettes complexes DT-CWT (Dual-Tree Complex Wa- velet Transform) qui sont calculées disjointement. Ensuite, nous modélisons sé- parément les descripteurs issus des deux méthodes précédentes (SIFT et DT- CWT) 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 Classifi- cation) est proposée. Afin d'évaluer et valider notre approche, nous avons eu recours aux données réelles d'images issues d'une chambre anéchoïque. Les ré- sultats 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).