合成孔径雷达具有全天时、全天候的成像能力，近年来被广泛应用于战场侦察和情报获取。传统的SAR图像目标识别方法由于其复杂的过程，限制了识别效率与精度的提升。卷积神经网络在图像识别领域展现出了良好的性能。本文在深度学习的理论框架下，研究了基于深度卷积神经网络的SAR图像目标识别方法，主要研究工作如下：
　　1.介绍了传统的SAR图像的识别方法和基于卷积神经网络的SAR图像识别方法。因SAR图像的相干斑噪声会影响目标识别的准确性，提出了一种快速加权核范数最小化的SAR图像去噪方法，降低了图像的相干斑噪声，提高了去噪效率。为后续SAR图像目标识别方法的研究奠定了基础。
　　2.提出一种基于组合优化的卷积神经网络的SAR图像目标识别方法。对卷积核大小和输入图像尺寸进行了分析研究；采用正则化、dropout结构以及数据增强方法对神经网络进行了优化。在运动和静止目标获取与识别（Moving and Stationary Target Acquisitionand Recognition，MSTAR）数据集上进行验证，结果表明了此网络的可靠性。此方法对训练样本不足且样本差异较小的目标具有好的识别效果，较高的识别效率。
　　3.提出一种基于混合残差网络（Mixup Residual Network，MRN）的SAR图像目标识别方法。设计出一种加深网络深度的残差网络模型，同时引入Mixup方法进行数据增强。在MSTAR数据集上进行了验证，结果表明此方法能有效抑制过拟合，提高网络泛化性。此方法对训练样本不足且样本差异较大的目标具有优异的识别性能。
　　4.提出一种基于迁移混合残差网络的SAR图像目标识别方法。首先将在MSTAR的标准条件下采集的十类数据集和CIFAR-10光学图像数据集上训练好的MRN模型保存，然后将其迁移到MSTAR的扩展工作条件下采集的数据集上，达到了提高识别效率，进一步抑制过拟合的效果。此方法对训练样本不足但具有相似的大样本的目标，具有优异的识别性能，识别效率高。