传统合成孔径雷达（SAR）图像建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测，存在平均检测精度不高，检测效率低的问题，因此本文提出了一种基于改进的你只看一次（YOLOv3）的SAR图像建筑物检测算法，通过深度学习实现建筑物的自动检测。首先制作SAR图像建筑物数据集，针对建筑物的尺寸特点通过改进的K均值聚类算法重新设置先验框大小；在结构上借鉴深度神经网络的聚合残差转换（ResNeXt）思想将YOLOv3的骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块（ResX），提高通道信息利用率同时降低计算量；加入浅层特征融合模块(SFF)，增加特征图中建筑物的形状特征所占比重；接着在特征融合层之前，使用转置卷积进行上采样，增加细节特征；最后使用改进的YOLOv3算法进行建筑物检测模型的训练，并在测试集上进行测试。实验结果表明，相比原始的YOLOv3算法，改进后的YOLOv3算法在SAR图像建筑物数据集上平均检测精度提高了9.2%，召回率提高了6.3%，同时保持了较快的检测速度。