合成孔径雷达作为一种典型的主动成像雷达,能够得到一个探测区域二维反演的高分辨图像。随着合成孔径雷达成像技术的发展,雷达不仅能够得到单一的探测区域图像来进行分析,还可以得到连续的探测区域图像序列,即合成孔径雷达视频,为后续的数据处理提供了更加丰富的信息。近年来,深度神经网络作为一种新兴的算法,凭借着其强大的学习能力被用于许多领域,并解决了诸多前人无法解决的问题。随着深度神经网络不断被深入研究,合成孔径雷达图像语义分割算法取得了很大的突破,然而与传统的合成孔径雷达图像不同,合成孔径雷达视频具有独特的时序特征,对合成孔径雷达视频的语义分割仍然是一个十分具有挑战性的任务。本论文在分析传统合成孔径雷达图像特征与卷积神经网络结构的基础上,结合合成孔径雷达视频的时序特征提出了一些新的语义分割方法。首先,本论文对基础网络的卷积核进行了优化,通过堆叠三维空洞残差网络模块的方案来实现对合成孔径雷达视频的特征提取,使用三维卷积神经网络可以有效地提取合成孔径雷达视频中的时空特征,短接结构可以提高神经网络的学习能力,同时空洞卷积核可以增加卷积核的感受野,这对于语义分割任务十分有利。其次,为了更加充分地融合合成孔径雷达视频的时空特征,本论文使用了对提取序列特征十分有效的长短期记忆网络,但是传统的长短期记忆网络只能处理一维特征向量,无法移植到语义分割模型中,因此本论文对长短期记忆网络的结构进行了优化,改进了本论文的语义分割模型并取得了良好的效果。最后,本论文在处理合成孔径雷达视频数据时,融合了视频数据的光流特征,建立了光流特征模型,并将其植入到语义分割模型中。实验证明,光流特征是处理视频数据时不可或缺的特征,融合了光流特征的深度神经网络模型在合成孔径雷达视频语义分割任务中取得了更好的效果。本论文使用了桑迪国家实验室公开发表的合成孔径雷达视频数据,针对视频内容进行了标注,并对数据进行了扩增,建立了合成孔径雷达视频数据集,并在该数据集上进行了实验,实验结果充分证明了本文提出的语义分割算法及其改进方法在合成孔径雷达视频语义分割任务中的有效性。