不同于普通光学图像的成像方式,合成孔径雷达（SAR）图像利用电磁脉冲及地物散射特征进行成像,导致得到的SAR图像解译困难,且伴随着各国航天技术的不断发展,载有SAR的卫星数量也逐年增加,得到的SAR图像更是成几何倍数增长。如何利用深度学习技术,从海量的SAR图像中快速得到有效信息,成为国内外研究重点。软件技术水平的进步需要有硬件平台作为支撑,近几年来由于国际形式的不断变化,导致我国硬件设备供应经常遭遇“卡脖子”问题,为了提高自主化水平,国内众多公司正在研制针对人工智能应用的智能处理器,将SAR图像识别应用部署自主智能计算平台上,对维护我国国家利益和国防安全均有重要意义。本文以SAR图像作为研究对象,在自主智能计算平台上,利用卷积神经网络方法对SAR图像识别展开深入研究。首先,由于SAR图像识别应用场合特殊,硬件平台对资源利用率和模型规模要求严格,传统模型无法部署在资源受限的计算平台上,针对于以上问题,本文使用深度可分离卷积模块重新设计网络结构,提出一种基于轻量级神经网络SAR图像单目标分类模型。为了避免训练过程中信息丢失问题,设计了一种新的激活函数SRe LU激活函数;同时针对数据集稀疏导致的网络过拟合问题,对原始数据集进行了增强,提高了网络的泛化能力。其次,针对SAR大场景密集目标识别问题,本文提出了一种基于深度神经网络的SAR密集目标识别算法,使用SAR单目标分类网络作为网络主干部分,减小了网络规模。采用低层次特征图融合方式,提高网络对于小目标的识别性能,同时引入RFB模块作为额外特征提取层,增强网络特征提取能力。接着,针对自主智能计算平台计算精度要求,对训练好的网络模型进行量化,完成算法模型在自主智能计算平台上的部署。根据自主智能计算平台运行特点,使用智能编程语言对目标识别模型进行优化,提高模型运行效率。为探寻模型在自主智能计算平台上最佳加速性能,将不同模型和不同运行环境进行组合,通过制定的有效评价指标,对不同组合进行了评价。最后,根据以上算法模型,设计并实现了基于自主智能计算平台的SAR目标识别系统。