合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种高分辨率雷达,能够在能见度极低的恶劣气象条件下获取高分辨率图像,是现代化战争中取胜的关键因素。基于SAR的目标检测识别技术被广泛应用于军事领域,且已成为各国竞相研究的重要任务。因此,开展复杂环境下SAR图像目标检测识别关键技术的研究具有重要意义。在复杂环境下,由于其中各种干扰因素的影响,现有的SAR图像目标检测识别技术的性能会大幅下降,本文针对这一问题开展了复杂环境下SAR图像目标检测识别关键技术研究,并通过大量的实验加以验证分析。主要研究成果如下:（1）本文深入研究了恒虚警率（Constant False Alarm Rate,CFAR）检测方法的原理,对主流的CFAR检测方法进行了分析,针对这些方法在复杂环境下检测性能受到较大影响的问题,提出了一种基于双边截断统计特性的鲁棒CFAR检测（Robust CFAR Detection Based on Bilateral-Trimmed-Statistics,BTS-RCFAR）方法。该方法通过自适应双边截断去除SAR图像中的异质像素,较完整地保留了真实海杂波,并采用最大似然估计实现了参数的精确估计和海杂波的精确概率建模,有效提高了复杂环境下SAR图像目标检测的精度。实验中使用证明了高分三号、Terra SAR-X和Radarsat-2 SAR图像数据验证了该方法的优越性。（2）本文深入研究了各种常用的SAR图像目标识别方法,特别是基于深度学习的SAR图像目标识别方法,针对现有单一尺度卷积核深度网络存在的特征提取不充分问题,提出了一种基于多核尺度特征融合卷积神经网络（Multikernel-Size Feature Fusion-Based Convolutional Neural Network,MKSFF-CNN）模型。该模型采用多尺度卷积核对SAR图像目标进行特征提取,并对提取到的多核尺度特征进行最优化融合,从而提高SAR图像目标特征表征的完备性。该模型还通过膨胀卷积减少待更新参数,在保证识别精度的同时降低了网络模型的复杂度。实验中使用了移动与静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集验证了该方法的有效性。（3）本文设计了一套复杂环境下的SAR图像目标检测识别系统,并针对系统的各个模块进行了相应的功能说明和效果展示。