合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节。作为一种高分辨率的微波成像雷达,它可以自动提取目标特性,不受光照、气候等因素的干扰,自问世以来,就在军事侦察等领域发挥着重要的作用。SAR图像中含有大量的斑点噪声,随着获得的数据量增多,传统的方法已无法解决此类图像的识别问题,而对于深度学习的研究正逐渐成为机器学习领域中的热点,其含有多个隐层的特殊网络结构可以从庞大的训练数据中自动学习图像的特征,从而极大提高图像识别的效率。本文就合成孔径雷达目标识别问题,将卷积神经网络(Convolutional Neural Network,CNN)与多种分类器相结合进行研究,主要内容如下:(1)由于CNN只有在训练样本足够充分时,才可以学习出具有代表性的特征,同时防止过拟合。所以在实验之前,首先需要对原始数据采用平移、旋转、镜像等方法扩充数据量。(2)在传统卷积神经网络的基础上,提出将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN的卷积、池化操作提取出SAR图像的特征向量,继而采用PCA降维,提取出主要特征。最后用DT分类器取代CNN中原始的Softmax分类器实现SAR目标识别,最后得到的识别准确率达99.60%,较原始的网络模型高出3.27%。(3)在传统卷积神经网络的基础上,将Softmax分类器替换成随机森林(Random Forest,RF),得到CNN与随机森林分类器相结合的算法,记为CNN-RF:在CNN-RF中,将CNN提取出SAR图像的特征矢量输入至RF分类器,最终得到的识别精度为99.33%,较原始的网络模型高出3.0%。本文所提出的两种网络模型,最终的实验结果表明,所提算法在MSTAR实测数据集中取得了较高的识别准确率,与其他方法相比,有效提高了SAR图像目标的识别精度,从而说明了实验的有效性。