合成孔径雷达（Synthetic Aperture Radar,SAR）因其全天时全天候等优点被广泛用于军事安全和民用领域。SAR图像数据量巨大且人工标记成本高,常用的SAR图像目标识别方法以及需要SAR图像数据标签进行监督学习的深度网络很难对其进行高准确率的目标识别。针对以上问题,本文提出使用半监督学习方法对SAR图像进行目标识别,半监督学习使用少量有标签SAR图像数据解决对大量无标签SAR图像数据进行目标识别的问题。本文主要研究内容有以下三个方面:一、使用三维块匹配（Block-Matching and 3D Filtering,BM3D）算法对SAR图像降噪。用MSTAR数据集中的2S1数据样本进行了实验,使用BM3D算法降噪得到峰值信噪比（Peak signal-to-noise ratio,PSNR）提高到32.7196,结构相似性（Structural similarity,SSIM）值为0.74283更接近于1。二、提出基于半监督阶梯网络（Semi-Supervised Ladder Network,SSLN）的SAR图像进行目标识别。半监督阶梯网络将SAR图像标记样本输入到半监督阶梯网络的编码器训练分类函数,大量无标记样本被传输到编码器中用于训练数据的内在分布,训练后的数据经过解码器进行重构,重构的数据输入到分类函数中进行概率匹配达到目标识别的目的,通过最小化监督损失函数和无监督损失函数之和达到网络性能最优化。用MSTAR数据集进行了实验,结合BM3D降噪算法,识别精度得到了提高且运行时间得到了减少。三、提出基于半监督变分自动编码器（Semi-Supervised Variational Autoencoder,SSVAE）的SAR图像目标识别。使用潜在特征判别模型的生成模型学习SAR图像新的潜在表示,利用原始SAR图像的潜在变量嵌入学习生成半监督模型,通过深度网络不断优化模型参数,变分推断出标记样本的损失函数和缺失标签样本的损失函数之和的下限达到目标识别最优化。用MSTAR数据集进行实验,结合BM3D降噪算法,识别率提高到96.37%。相比于半监督阶梯网络,半监督变分自动编码器随着识别目标图像像素变大其运行时间要多于半监督阶梯网络,半监督变分自动编码器的稳定性没有半监督阶梯网络好。