合成孔径雷达（Synthetic Aperture Radar,SAR）因其能够全天候、全天时工作的优点,被应用于了舰船目标识别领域。随着SAR图像分辨率的逐步提高与深度学习算法的蓬勃发展,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法逐渐取代了步骤繁琐计算复杂的传统方法。然而直接将应用于光学图像识别的深度学习方法迁移于SAR图像,存在着缺乏专用网络模型、训练样本稀少及类别分别不平衡等问题,使得深度学习方法表现不佳。因此,本文旨在解决广泛存在于舰船SAR图像目标识别任务中的缺乏专用轻量化模型问题及类别不平衡问题,主要工作如下:针对中等分辨率SAR图像与高分辨率SAR图像,分别设计了轻量化网络模型。与以往使用的模型相比,轻量化网络模型在保证较高识别率的前提下,大幅降低了模型参数量、运算量与训练时间,且拥有训练稳定、收敛较快的优点。接着,本文提出了两种用于解决类别不平衡问题的方法,第一种为动态权重采样与软输出阈值结合的方法,需要单独分出训练数据作为验证集,验证集一用于训练过程中动态调整采样结果,二用于训练结束后调整分类器阈值,三用于保留识别率最高的模型参数,该方法适用于拥有相对较多训练样本的不平衡数据集。第二种为亲和力损失与渐变平衡采样结合的方法,以度量学习方法替代全连接层进行分类,并随训练进程调整采样比例,该方法适用于可用训练样本较少,且类别分布更为不平衡的更加苛刻的数据集。在公开数据集上的实验结果显示,两种方法均能在保证较高总体识别率的同时,有效提高稀有类别识别率,因此极大程度上缓解了类别不平衡问题。且与随机过采样、随机欠采样等其他常用方法相比,两种方法在识别率、F1分数等指标上均具有明显优势。