合成孔径雷达图像目标检测在SAR图像解译中占有重要地位,随着SAR成像技术的更新发展,目标检测技术成为战场环境侦察、地球科学遥感等领域中的重要研究方向。SAR数据采集能力的日益成熟,使得对效率高、性能佳的SAR图像处理与解译技术的需要更加迫切。得益于深度学习在计算机视觉领域的迅速发展,传统方法提取特征耗时长、适应性差的局限性能够被深度神经网络对复杂数据的自动表征能力弥补。本文通过分析深度学习在SAR图像目标检测领域应用的难点对相关研究现状和应用情况进行归纳,从两方面改进了基于候选区域提取的双阶段检测方法以及基于边框回归的单阶段检测方法。具体研究工作如下:1、以神经网络的建模过程为切入点,从卷积层、池化层及Softmax分类器角度详细阐述卷积神经网络的核心组成部分,并对反向传播算法进行推导。之后结合两类典型检测器Faster RCNN和SSD的实现流程进行深入研究,分析了两类检测器中共有的边框回归和默认框匹配策略。2、针对复杂大场景下SAR图像目标检测中小尺度、部分排列密集目标漏检严重、存在大量虚警的问题,利用密集特征融合思想来增加候选区域提取的多样性,同时结合候选框的上下文信息辅助小目标的定位,形成了基于密集特征融合与结合背景信息的双阶段SAR舰船目标检测方法。为了使难分样本得到充分训练,本文还改进了训练过程的损失函数,并通过参数优选解决了大场景下正负样本不均衡及形似目标难以区分的问题。3、为满足实际应用中的实时性需求,针对基于边框回归的单阶段方法速度快但精度不高的特点进行改进。首先利用注意力机制对网络的特征提取能力进行增强,接着从进入检测阶段的特征层语义增强角度提出了基于特征重用与语义增强的单阶段检测方法。该方法引入了分割模块和两级注意力机制分别增强低层和高层特征的语义信息,并在NWPU数据集上验证了方法对于小而密集目标的适应性。4、为使得检测器能融合双阶段方法的精度与单阶段方法的速度优势,设计了基于由粗至细双阶段回归的单阶段检测器,通过反向连接方式对锚框进行二次回归,并用多任务损失函数对模型进行端到端训练。通过实验验证了本文提出的方法对小目标的检测定位性能有较大提升,泛化性能佳。