合成孔径雷达（Synthetic Aperture Radar,SAR）是一种高分辨率成像雷达,具有全天时、全天候和远距离等特性,广泛应用于民用和军事领域。SAR目标图像识别一直是雷达图像解译的一个研究热点。与传统目标识别算法相比,基于深度学习的雷达目标识别算法,具有端对端特征学习的优势,能有效地提高目标识别率,成为雷达目标识别的一类重要方法。然而,最近研究表明,基于深度学习的光学图像识别方法容易受到对抗样本的攻击。对抗样本的存在表明深度学习方法存在极大的安全隐患。在SAR目标识别中,基于深度学习算法的雷达目标识别算法是否存在对抗样本仍然是一个开放性的问题。与光学图像目标识别不同,雷达目标识别系统的输入数据可以是时域的可视化图像,或是频域的复数图像。本文从这两种数据形式出发,研究对抗样本攻击SAR目标深度学习识别算法的方法:（1）当雷达目标识别系统的输入数据为时域的可视化图像时,分别设计了白盒和黑盒情况下的有目标和无目标攻击算法。在白盒情况下,采用基于梯度的对抗样本生成算法对三种用于SAR目标识别的深度学习算法进行攻击。在黑盒情况下,采用基于决策边界的对抗样本生成算法进行有目标攻击;采用对抗样本可迁移的特性进行无目标攻击。实验采用雷达实测数据进行测试。结果表明,基于深度学习的SAR目标图像识别算法具有易受对抗样本攻击的潜在风险。（2）当雷达目标识别系统的输入数据为频域的复数图像时,提出一种复数生成对抗网络的对抗样本生成算法。该算法的核心是,首先,将传统典型深度学习模型修正为复数形式;其次,将复数深度学习模型作为生成对抗神经网络的生成器和判别器,并对判别器进行预训练;再次,将传统实数交叉熵损失函数修正为复数形式,并对复数形式的判别器进行训练;最后,使用复数生成器生成复数形式的雷达目标对抗样本,攻击其他复数深度学习模型。实验采用雷达实测数据进行测试。结果表明,所提出的对抗样本生成算法,不仅能够有效地攻击复数深度学习模型,而且具有跨数据域攻击的特性,即将复数对抗样本生成时域的可视化图像时,在无目标攻击下,也能有效攻击实数形式的深度学习模型。