合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式成像系统,其不受天气、光线和云雾等外界环境的限制,可以对海洋进行持续地观测。SAR舰船目标识别是SAR图像解译的重要内容之一,其目的是分辨出每个样本所属的类别信息。随着SAR技术的发展,SAR舰船目标识别受到了越来越多的关注,并已成为遥感领域的一个重要研究方向。针对SAR图像舰船目标识别问题,本文从传统的机器学习方法和目前快速发展的深度学习方法两个方面对其进行研究。围绕SAR图像舰船目标识别问题,本文主要研究了舰船目标特征的提取、基于SVM的大、中、小型舰船目标分类算法、基于卷积神经网络的大、中、小型舰船目标分类算法,以及将卷积神经网络分别与空间金字塔池化和度量学习相结合完成不同类别舰船目标分类算法。主要内容安排如下:1.研究了 SAR图像舰船目标的特征提取,并结合传统的分类器实现大、中、小型舰船目标的分类。首先,对舰船目标做预处理和特征提取的操作。然后,依靠一些先验知识对提取到的特征的合理性做判别分析。最后,对预处理和特征提取的初步结果做一些修正得到最终结果。其次,研究了基于SVM的大、中、小型舰船目标分类问题。此外,还研究了基于集成学习的舰船目标分类方法,首先,对集成学习的bagging方法进行了介绍。然后,将基于SVM集成学习的bagging方法用于大、中、小型舰船目标分类问题,并与基于SVM方法的分类算法相比较。实验结果表明,基于SVM集成学习的bagging方法获得较好的分类效果。2.研究了基于卷积神经网络的大、中、小型舰船目标分类算法。首先,详细地介绍了人工神经网络和卷积神经网络的基本原理。然后,介绍了基于卷积神经网络的大、中、小型舰船目标分类算法,并设计了适合本论文中数据的卷积神经网络,通过实验分析各个超参数对卷积神经网络分类性能和收敛速度的影响。最后,将上述算法与基于传统人工设计特征的大、中、小型舰船目标分类算法相比较。实验结果表明,基于卷积神经网络的大、中、小型舰船目标分类算法能够提取有效的特征表示,并获得较高的识别率。3.将空间金字塔池化和度量学习两种学习策略分别与卷积神经网络相结合,用于实现不同类别舰船目标的分类。首先,研究了基于空间金字塔池化的卷积神经网络的不同类别舰船目标分类算法,其与卷积神经网络不同之处在于将最后一层池化层替换为空间金字塔池化,可以提取图像多尺度的信息。其次,对度量学习进行简要地阐述,并将三元组样本对的距离度量加入到卷积神经网络的损失函数中。将上述两种方案用实测SAR数据进行了算法验证。从实验结果发现上述两种算法优于基于卷积神经网络的不同类别舰船目标的分类算法。