合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达,不受光照和气候条件等的影响,可以全天时、全天候监测目标,在资源勘探、灾害监测以及目标追踪等民用、军事等领域具有重要作用。SAR自动目标识别作为一种解译SAR图像的有效手段,一直以来是各国的研究热点。近年来,随着深度学习的迅速发展,卷积神经网络(Convolutional Neural Network,CNN)等深度学习方式被广泛应用于SAR自动目标识别。本文在CNN的基础上,深入地研究了全卷积神经网络(Fully Convolutional Neural Network,FCNN),并将FCNN框架扩展到复数全卷积神经网络(Complex-valued Fully Convolutional Neural Network,CV-FCNN)。为了在少量样本情况下获取较高的目标识别率,又研究了将改进的卷积自编码器(Improved Convolutional Auto-Encoder,ICAE)和FCNN相结合的SAR自动目标识别方法,并进一步扩展到CV-FCNN框架中。论文主要工作如下:(1)针对包含幅度和相位信息的MSTAR数据集的目标识别问题,提出了CV-FCNN框架,并在CV-FCNN的基础上添加卷积核大小为1×1的卷积层作为中间网络,以增强复数卷积层中局部感受野的非线性运算。实验结果表明,MSTAR十类目标的平均正确识别率达到了99.71%。(2)针对SAR目标识别中已标注数据样本少的问题,提出了一种基于FCNN和ICAE的SAR目标识别方法,并进一步扩展到CV-FCNN框架。实验结果表明,训练样本不扩充的情况下,采用MSTAR幅度信息的十类目标的平均正确识别率达到了98.14%,采用包含幅度和相位信息的复数MSTAR的十类目标的平均正确识别率达到了99.18%。此外,实验结果还表明该方法具有一定的抗噪声能力。