合成孔径雷达(Synthetic Aperture Radar,SAR)是一种能够全天时、全天候和远距离对目标进行主动观测的系统,已广泛应用于军事和民用领域。SAR自动目标识别(SAR Automatic Target Recognition,SAR-ATR)是SAR领域的研究热点之一,它能够自动、快速、准确地识别目标。近年来,深度学习理论已广泛应用于SAR-ATR,并取得了显著的成绩。卷积神经网络(Convolutional Neural Network,CNN)是一种典型的深度学习网络,它能通过提取目标不同层次特征,获得较高的目标识别率。然而,基于卷积神经网络的SAR目标分类需要大量的训练样本,否则容易出现过拟合问题。此外,CNN也无法解决因目标姿态发生变化(如平移、旋转、缩放等)而带来的错误分类问题。为了解决以这些问题,本文分别结合生成对抗网络和胶囊网络的优势,提出了两种SAR目标分类方法,具体内容如下:1)提出了一种基于改进的卷积神经网络(Improved Convolutional Neural Network,ICNN)和改进的生成对抗网络(Improved Generative adversarial network,IGAN)的SAR目标分类方法。即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN进行微调,最后用训练好的ICNN对测试样本进行分类。MSTAR十分类实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声性能。2)提出了一种基于改进的胶囊网络(Improved Capsule Network,ICapsNet)的SAR目标分类方法。ICapsNet包括两路胶囊网络,它们分别采用不同大小的卷积核提取目标的不同层次特征,并分别引入一个注意力模块对不同层次特征进行增强。最后,两路网络的数字胶囊输出通过求和进一步提高目标所属类别的概率。MSTAR十分类实验结果表明,提出的方法在训练样本数较少和测试样本姿态发生变化的情况下,均能取得较高的识别率。