为了识别SAR图像中的目标,传统的SAR ATR(SAR Automatic Target Recognition)方法包含四个独立的主要步骤:检测、鉴别、特征提取和识别,这种分级的方法往往存在诸多弊端,例如检测与识别之间的许多因素将极大地影响识别结果,如目标区域的大小,检测结果与训练样本之间的目标位置差异。本文针对SAR图像解译应用的需求,为了从大场景SAR图像中快速有效地检测识别目标,采用深度卷积神经网络(Deep Convolutional Neural Network,DCNN),可将传统的SAR ATR三阶段整合为一个一体化系统,具体工作如下:首先,本文总结了SAR目标检测与识别以及深度学习在图像检测识别领域的发展现状,并详细介绍了传统的SAR ATR关键技术以及基本的深度学习算法理论。针对分级的SAR ATR系统存在的弊端,我们提出了基于深度网络的端到端的SAR目标检识方法。其次,针对在使用深度学习方法,SAR图像训练样本不足而导致的过拟合问题,本文研究了基于生成对抗网络(Generative Adversarial Network,GAN)的训练样本集的扩充方法。本文首先详细介绍了生成对抗网络,并尝试使用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)做SAR图像训练样本集的扩充,最后通过实验探讨了生成对抗网络在做SAR图像样本扩充时的可行性。最后,本文提出了大场景SAR图像切片方法以及重叠切片的非极大值抑制算法,并基于以上方法提出了为解译大场景SAR图像的D-ATR(Directly Automatic target recognition,D-ATR)系统框架,再通过合成不同背景复杂度的大场景SAR图像进行实验验证,并对实验结果进行分析,最后设计了多个对比实验,实验结果表明D-ATR系统在大场景SAR图像目标检测与识别上表现出了较高的准确率以及较快的运行速度,与其他方法相比有突出的优势。