合成孔径雷达（Synthetic Aperture Radar,SAR）图像在服务地球资源探测、区域发展水平评估和国防体系建设等领域扮演着重要的角色。深度学习技术的不断突破为助力高效解译SAR图像奠定了坚实基础,基于深度学习的SAR图像识别研究也进入了发展的快车道。目前,SAR图像自动识别技术面临着训练样本不足、模型结构复杂和鲁棒性不强的问题。针对以上SAR图像识别任务中面临的难点问题,本文以深度学习框架为基础,结合迁移学习、自注意力机制和知识蒸馏技术展开研究。本文相关的主要研究内容概括如下:（1）针对SAR图像背景充斥严重散斑噪声和训练小样本数据的过拟合问题,本文将空洞卷积（Atrous Convolution）和Inception模块相结合设计出基于迁移学习的TAI-SARNet（Transferred Atrous-Inception SAR Network,TAI-SARNet）,该网络能够指数级的扩增感受野,从而助力模型提取具有判别性的特征信息。除此之外,该网络严格控制参数增长,并结合批归一化策略,缓解因模型参数冗余和内部协变量转变问题造成的过度拟合数据现象。最后,本文联合迁移学习的相关方法,对光学领域、非光学领域、联合光学及非光学领域的先验知识迁移到SAR小样本数据集上的识别性能进行探究,并取得了良好的实验结果。（2）针对深度学习模型难以有效提取和利用小样本数据特征信息的问题,本文借鉴特征重用和特征融合的思想,并结合自注意力机制设计了多尺度特征融合卷积神经网络（Convolutional Neural Network,CNN）。首先,通过将高效轻量的Ghost模块与自注意力机制相结合构建自注意力Ghost模块,并用该模块替代传统的卷积操作,有效的提取SAR图像的显著特征。其次,通过构建高效的瓶颈单元进行网络架构,用以获取目标图像不同层次的特征信息。最后,引入通道混洗单元和最大池化层构建多尺度信息支路,促进信息的充分交互。实验结果表明,本文基于自注意力机制构建的多尺度特征融合网络在多种工作条件下采集的MSTAR数据集上取得了满意的识别结果,在自构建的SAR小样本数据集上也表现出良好的鲁棒性能。（3）针对CNN模型结构复杂和参数冗余的相关问题,本文引入知识蒸馏的相关技术对复杂模型重新设计得到精简的简单模型,并对通过教师模型获得的丰富知识进行蒸馏迁移。知识蒸馏突破了基于参数的迁移学习方法对模型结构的限制,通过调控温度参数的方式蒸馏出具有丰富知识的信息,从而进一步提升简单模型在相关任务上的识别性能。实验的相关结果显示,结合知识蒸馏的简单模型依旧具有类似复杂模型的强大学习能力,也有助于提升其在SAR小样本数据上的识别性能。