SAR图像目标检测技术广泛应用于现代军事作战侦察和民用地形监测等领域,是各国学者研究的重点,随着神经网络理论和计算机技术的发展,基于深度学习的目标检测算法逐渐成为SAR图像目标检测任务的主流。但是,深层网络通常具有大量参数,其运行不仅需要大量的算力支持,运行速度也不能满足实时要求,因此深层网络检测算法难以在资源受限的设备（如移动端）上部署。本文考虑到对模型实时性和可移植性的要求,对目标检测算法Faster-RCNN进行了轻量化改进,并设计了基于改进Faster-RCNN算法的SAR车辆目标检测系统,具体研究内容如下:文章首先在分析了SAR图像特点的基础上,对MSTAR图像集进行了相干斑抑制和图像预处理操作,一方面优化了检测图像的质量,另一方面对图像训练集进行了数据扩充,降低网络过拟合风险,并借助图像信息标注软件建立了SAR车辆目标检测算法图像训练库,为SAR车辆目标检测算法提供了全面有效的图像数据。Faster-RCNN算法轻量化改进。Faster-RCNN算法的改进建立在模型不同部分框架上,第一部分针对特征提取网络,使用深度可分离卷积优化了特征提取网络的卷积结构,并根据图像尺寸和目标大小确定了特征提取网络输出感受野。第二部分针对RPN网络,首先结合SAR图像目标的聚类尺寸确定锚框生成尺度,并改进RPN网络池化层的输出锚框量化方式,保留更精确的锚框位置,减少锚框不匹配带来的计算误差,然后采用矩阵计算改进非极大值抑制算法的迭代过程。第三部分在进行特征整合的全连接层采用全局平均池化,减少全连接层的参数的冗余。改进轻量化Faster-RCNN算法实验,本文将改进的Faster-RCNN算法在SAR图像车辆目标检测图像库上进行了训练和测试,检测移动平台上改进Faster-RCNN算法的优化效果,首先比较不同改进方法对模型体积与检测精度的影响,然后与one-stage目标检测算法SSD进行对比。实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,运行速度有效提高,可满足SAR图像目标检测的实时性要求。SAR车辆目标自动检测系统设计与实现。本文利用py Qt软件,设计实现了基于改进轻量型Faster-RCNN算法的SAR车辆目标自动检测系统,并建立系统测试图像库对系统运行效果进行检验,通过测试,系统可流畅运行并实现SAR车辆目标检测功能。