随着现代战争的复杂程度日渐提升,在陆战场中对战争实时态势的预测越来越困难,而掌握战争发展趋势是赢得战争胜利的必要条件,所以要找到一种既可以保证实时性又可以保证准确率的方法来对陆战场中的不同军事目标加以识别并反馈结果,以适应现在陆战场的作战要求。对于在陆战场中的目标识别任务来说,特征的提取是最重要的一步。针对传统的特征提取方法容易受到光照、形变、遮挡和裁剪等因素的影响,导致传统方法的识别率低下等问题,本文选择了在特征提取方面相比其他方法具有优越性的卷积神经网络,并将迁移学习的思想与深度学习结合,设计了一套可独立操作扩展数据集的基于卷积神经网络的陆战场目标识别系统。论文的主要工作如下:首先,对卷积神经网络的结构及工作原理做了深入的研究,利用卷积神经网络的局部感知和参数共享的特点,把卷积神经网络引入陆战场目标的识别领域,设计出一种适用于陆战场目标的识别方法,相比于传统方法提升了识别的准确率。其次,针对国内外目前已公开的用于研究的SAR数据库很少,使用原始数据库作为训练集或测试集容易产生过拟合问题。本文利用了多种数据扩充方式对已公开的SAR图像数据集加以扩充,使总数据量扩增至原始数据量的12倍。同时通过这些数据扩充方式,该识别模型充分解决了过拟合及传统识别方法对数据发生平移、旋转等变化敏感的问题。第三,针对传统图像学习和应用场景易发生迁移的问题,本文首先研究了迁移学习理论,用图像合成算法合成了 206张包含目标物的场景图像,其次提出了一种与卷积神经网络相结合的迁移学习模型,改善了由场景迁移造成的结果陷入局部最优解的问题,并加快了模型参数的训练。最后,使用美国MSTAR数据集进行测试,给出结合迁移学习后的方法与其他方法识别结果的对比,对比结果表明该方法能同时识别至少三类不同的军事目标,且识别率达到98%以上,与其他方法相比取得了更高的识别率。其次,用MATLAB GUI图形用户界面设计了一套整合的目标背景图像合成并识别的图像处理系统,可以快速便捷的扩展数据集的样本数量并能实时显示出识别结果,提高了工作效率,为后续工作奠定了基础。