合成孔径雷达(SAR)可以获得高分辨的地物图像用于不同的场景,其具有全天时、全天候的探测能力和较强的抗干扰能力,因此在对地观测领域有着广泛的应用。随着城市化的进程不断加快,城市区域的分析需求日益强烈,对SAR图像城市建筑目标的检测工作逐渐引起人们的重视。高分辨SAR图像有着高维、异构等特点,包含大量的结构信息,但带有标注信息的SAR数据较少。本文针对SAR图像的特点,结合深度学习强大的特征提取能力,以基于深度学习的方法提出一系列SAR图像城市建筑检测算法,主要研究内容如下:(1)提出基于循环生成式对抗网络生成SAR图像建筑数据集的方法。针对带有标注信息的SAR图像数据较少的问题,引入CycleGAN网络进行图像风格迁移,结合CycleGAN模型的特性,利用马萨诸塞州的光学遥感图像建筑数据集学习SAR图像数据集中的图像风格,生成所需的模拟SAR图像建筑数据集,解决深度学习所需数据量的问题。(2)提出基于ResNet与UNet结合网络的SAR图像分割方法。针对SAR图像城市区域背景复杂,数据量较少的问题,使用UNet网络将SAR图像分割为建筑区域和非建筑区域。由于UNet下采样部分较为简单,特征提取能力较差,使用特征提取能力较强的ResNet网络进行下采样,得到包含结构信息的特征图像,之后结合UNet进行上采样得到分割结果,提高网络的精度。分割结果将图像分为建筑与非建筑两类,通过分割结果得到待检测的建筑信息。(3)提出基于MoibleNet V2与UNet结合网络的SAR图像分割方法。针对移动端或嵌入式设备等设备受限问题,使用轻量化网络MobileNet V2进行下采样,减少网络训练所需计算量。之后引入注意力机制和数据增强方法,使网络具有鲁棒性且扩增训练时的数据量,在解决设备限制,减少训练时间的情况下,保证了网络的精度。