随着雷达检测技术的发展,越来越多的基于SAR图像目标检测和识别方法被人们所熟知。传统的检测算法需要人工设计特征,给研究者们增加了计算量,深度学习技术的出现则给目标检测算法提供了新的思路。为了更好的解决SAR图像的小目标难于被检测以及复杂背景下的SAR图像目标检测问题,本文研究了基于YOLO v3网络的SAR图像目标检测识别方法。一方面,由于卷积神经网络其强大的自学习能力大大减少了人工提取特征的复杂度,且YOLO V3网络具有检测识别一体化机制,直接实现端到端效果,减少了识别过程的繁琐程度,大大降低了时间开销。另一方面,提出的改进方法对于小目标检测效果有很好的提升,并将其应用到复杂的背景图像中去,依然能够保持不错的性能。本文主要进行了以下研究内容:1.本文提出了一种基于改进的YOLO V3目标检测识别算法,算法主要由先验框生成、特征提取、多尺度预测、损失函数优化等部分组成,通过对网络的不同模块的改进,得到了一种适用于SAR图像目标检测的方法,提高了网络对SAR图像的小目标检测能力。2.本文针对复杂背景的SAR图像引入了视觉注意力机制,在高斯金字塔模型的基础上利用SAR图像目标的尺度信息进行尺度选择,对显著图生成算法进行了改进,得到了可用于SAR图像检测识别的显著图图像,与原图像进行联合训练,使背景被弱化目标物更加显著,从而更容易检测到目标物。3.本文构建了基于MSTAR数据集的含有复杂背景的图像数据集,将十类不同军事车辆嵌入到不含目标信息的背景图像中,并加以标注生成xml文件,为今后的其他研究节省了精力和时间。本文在MSTAR数据集以及自行构建的建的数据集上完成了检测识别的实验,并获得了不错的效果。综合实验效果和分析,本文提出的算法准确度高,可行性强。