合成孔径雷达(Synthetic Aperture Radar,SAR)是一类不易受光照、气候等因素影响,能够实现全天候、全天时、远距离探测的高分辨雷达,广泛应用于各个领域。SAR图像自动目标识别(Automatic Target Recognition,ATR)作为一种SAR图像解析技术,能够从SAR图像中提取目标的有效信息,具有非常重要的应用价值。SAR ATR系统主要包括目标检测、鉴别和分类,而目标检测和鉴别作为该系统的重要组成部分,主要任务是去除SAR图像中的杂波干扰,获取图像中与目标有关的信息。但在复杂场景中,利用传统方法难以对杂波虚警和目标进行区分,性能有待进一步提升。近几年,深度学习方法在光学图像处理领域发展较快,取得了良好效果,而在SAR图像处理领域尚处于探索阶段。因此,借鉴深度学习方法在光学图像中的应用,对SAR图像处理方法进行改进已经受到广泛关注。本文结合深度学习方法,对SAR图像目标检测和鉴别技术进行研究。本论文的主要内容概括如下:1.介绍了SAR图像目标检测和鉴别技术的研究背景及意义、国内外发展现状及论文后续章节的内容安排。2.研究了传统的双参数CFAR(Constant False Alarm Rate)目标检测算法和基于多特征选择的目标鉴别算法。通过对双参数CFAR中背景窗内杂波像素的选择,提升了目标密集排列区域的检测效果。然后利用多种传统特征对检测提取到的切片进行鉴别实验,对比分析传统特征的鉴别效果和不足之处。3.研究了基于卷积神经网络(Convolutional Neural Network,CNN)的SAR目标鉴别算法。首先,介绍了卷积神经网络模型。然后,设计了四种不同结构的卷积神经网络并进行实验,利用一组修改的统计参量对不同网络结构的真实鉴别效果进行分析;最后,利用非极大值抑制(Non-maximum Suppression,NMS)算法对鉴别结果进行处理,使鉴别效果得到提升。4.研究了基于候选区域的深度学习目标检测算法。首先,介绍了光学图像处理领域中利用深度学习方法进行目标检测的主流方法和基于候选区域的深度学习目标检测算法。然后,通过分析光学图像目标检测与SAR图像目标检测的不同,对训练数据构造方法和Faster R-CNN算法损失函数的计算进行修改,取得了较好的SAR目标检测结果。