随着合成孔径雷达技术的飞速发展,高分辨率SAR图像被广泛应用于军事和民用领域,在军事侦察、资源勘探、环境监测等任务中发挥着不可替代的作用。近年来,人们对SAR图像数据的需求量日益增加,面对航空航天传感器提供的海量SAR图像数据,迫切需要发展精准、高效、泛化性强的SAR图像解译技术。由于SAR图像自身的复杂性和多样性,传统的目标检测与识别方法步骤繁琐、精度低、适应性差,难以满足实际应用的需求。基于此,本文结合深度学习对SAR图像目标检测与识别方法展开研究,旨在在现有方法的基础上,进一步提高SAR图像目标检测与识别方法的性能。具体的研究工作如下:在SAR图像目标检测方面,本文研究了几种主流深度学习目标检测算法,依据MS COCO、PASCAL VOC评价指标对比分析了多种检测模型的性能,并结合SAR图像目标的特点,选择YOLOv3为基础检测模型。然后,针对SAR图像目标检测中小目标漏检、复杂环境区分能力差的问题,本文对YOLOv3模型从锚框尺寸、网络结构、损失函数三个方面进行优化,提出了一种改进的SAR图像目标检测方法:首先对SAR图像数据集进行统计分析,通过聚类生成新的锚框尺寸;其次,通过重新设计残差单元结构、精简网络模型减少参数量、增加浅层特征图信息和预测尺度、引入ASFF构建特征金字塔对检测模型的网络结构进行优化;最后,通过设置加权系数平衡小目标的权重,对损失函数进行优化。改进模型的性能在SSDD数据集和HRSID数据集上进行了验证,实验结果显示,与原始YOLOv3模型相比,改进模型在两个数据集上的类平均精度分别提高了9.28%和12.92%,F1值分别提高了6%和7%,小目标的检测能力和复杂环境下的区分效果也得到了大幅提升,验证了改进模型的有效性。在SAR图像目标识别方面,本文对具有强适应性的目标识别方法进行了探索。首先基于卷积神经网络和自编码网络构建了两种深度学习目标识别模型;针对样本数量少的问题,通过电磁仿真、平移、加噪构建并扩充了实验数据集;并使用两种模型在数据集上进行了BTR70、BMP2、T72三类目标的识别实验。实验结果表明,基于CNN的识别模型在不添加噪声的情况下具有较高的识别精度,但对噪声的抗干扰性差,基于SAE的识别模型识别精度略低但对噪声具有适应性。基于两个模型的特点,本文进一步提出并构建了基于深度特征融合的SAR图像目标识别模型。模型融合了CNN和SAE网络提取的两种深度特征,在数据集上的实验结果表明,提出的模型具有较高的识别精度和一定的噪声抗干扰能力,具有较好的综合性能。