合成孔径雷达（Synthetic Aperture Radar,SAR）可对目标区域进行全天时、全天候持续观测,已被广泛应用于战场侦测、农林普查等军事和民用领域。SAR数据处理一般包括成像处理以及成像后的图像处理,其中图像处理包括图像的增强、融合、分割以及目标的识别、检测与跟踪等。作为一种高性能图像处理方法,深度神经网络可在数据驱动下,根据任务需求从图像中自动学习目标特征,有着传统机器学习方法不可比拟的准确性、灵活性和通用性。为提高SAR系统的侦察与观测能力,增大深度神经网络在SAR图像处理领域的应用深度与广度,本文开展了基于深度神经网络的SAR图像质量提升算法研究,主要创新点如下:（1）研究了深度神经网络的空间特性针对深度神经网络的空间特征保持特性,提出并证明了网络的匹配准则,即神经网络每一层的输入与该层的网络参数满足空间上的一一对应关系。基于该准则,设计了可以同时完成目标分类与角度估计的核映射网络（Kernel Mapping Network,KM-Net）。与其他网络相比,KM-Net的权重参数通过核映射旋转变换获取,无需进行训练优化。为提高KM-Net的分类和角度估计能力,设计了移格旋转法和八边形卷积核。其中,移格旋转法通过移动卷积核内各位置的权重参数实现旋转变换,可以解决插值旋转造成的失配问题;八边形卷积核具有45°旋转对称特性,可以解决标准矩形卷积核45°旋转时参数不对称引起的失配问题。针对较少训练样本条件下识别率低的问题,设计了核旋转扩增网络（Kernel Rotation Augmentation Network,KRA-Net）。该网络能够以训练过程中旋转卷积核的方式实现网络内部特征的多角度扩增,提高小样本时网络的分类性能。（2）研究了基于编解码结构的SAR图像去噪增强网络与自聚焦增强网络针对SAR图像中的相干斑噪声,提出了多尺度递归去噪网络（Multi-scale Recurrent Network,MSR-Net）。该网络采用“由粗到精”的设计策略,以级联的方式循环调用同一个编解码网络模块,实现了带噪图像的多分辨率联合处理,提高了网络对高强度噪声的抑制能力。另外,在MSR-Net设计时,加入了卷积长短时记忆（Convolutional Long Short-term Memory,Conv LSTM）模块,令网络具有了多尺度特征的传递与融合能力。同时,采用了亚像素卷积单元,以特征图重组的方式对输出图像进行分辨率还原,提高了网络效率。提出了边缘特征保留率（Edge Feature Keep Ratio,EFKR）和特征点保留率（Feature Point Keep Ratio,FPKR）两种去噪算法评估指标,二者能够利用边缘检测和特征点提取算法,弥补了现有方法无法定量计算去噪后图像中边、角、纹理等典型特征保留比例的不足。针对复杂运动平台位置误差导致的图像散焦问题,提出了一种基于编解码结构的SAR图像自聚焦网络AF-Net。该网络能够学习聚焦前后图像中几何特征的分布差异,实现散焦图像幅度域的快速自聚焦,弥补了传统相位自聚焦算法效率上的不足,为相关问题提供了新的解决思路。（3）研究了基于深度神经网络的视频SAR阴影跟踪与动目标成像技术根据SAR成像机理以及阴影能够反映目标真实位置的特性,提出了一种地面动目标重聚焦框架。该框架结合了阴影跟踪网络、轨迹优化网络、视频SAR成像以及动目标后向投影成像算法,实现了地面动目标的聚焦成像。设计了视频SAR地面动目标阴影跟踪网络（modified Real-time Recurrent Regression,mRe3）。区域搜索策略的使用减少了跟踪处理的图像面积,同时,卷积层与长短时记忆单元的组合令网络能够在提取目标特征的同时获得相邻数据中的时序关系,从而实现对动目标阴影的高精度、高鲁棒性跟踪。针对跟踪轨迹精度与平滑度较低的问题,提出了基于长短时记忆单元的轨迹优化网络以及高阶总变分损失LTVβ。经网络优化后,轨迹的中心距离误差可低于一个像素单元,满足了合成孔径雷达对复杂轨迹地面动目标高精度成像的要求。上述研究不但可以增强SAR系统的侦察与观测能力,还能提高深度神经网络在SAR图像处理领域的应用深度与广度,具有较强理论意义和工程价值。