合成孔径雷达（Synthetic Aperture Radar,SAR）系统能提供高精度的图像,可实现夜间监测并穿透云层、雾、尘埃、树叶和地表,并能工作于恶劣天气及特殊气候下。自动目标识别（Automatic Target Recognition,ATR）是SAR图像理解和翻译的重要使用场景,主要任务是准确分类包含在SAR图像中的目标物。近些年来,基于深度学习的SAR目标识别方法得到了长足发展。深度学习的方法能实现较传统方法更高的性能,但需要大量有标签数据训练网络。然而,获取大量有标签的SAR目标图像数据是极度耗时且高成本的。因而如何仅利用少量的有标签目标图像训练而得到高性能的SAR目标分类器是亟待解决的难题。本文针对上述问题,开展了半监督SAR目标识别的研究,研究内容概括如下:（1）针对半监督SAR ATR任务中存在的有标签样本稀缺以及目标数据的方位角缺失问题,结合SAR目标图像本身的特点以及生成对抗网络理论,本文提出了基于CWGAN-GP的SAR图像数据增强方法。当SAR数据集中缺少标签时往往也存在方位角信息缺失,两者共同导致分类器性能恶化。为此,提出的方法利用局部方位角变化范围内目标特征的稳定性以及方位角邻域内目标特征的关联性,通过旋转或加权平均的方式补充目标缺失的方位角特征,得到新训练数据。此外,本文修改了CWGAN-GP网络结构,使其适应SAR目标图像生成任务。最后,将新训练数据用于CWGAN-GP训练,从而网络能定向生成各类目标的全方位角图像。实验结果表明,本文提出的SAR图像数据增强方法所生成的图像与真实图像相似度高,并可在仅含少量标签的训练条件下显著地提升分类器的性能。（2）针对半监督SAR ATR任务中传统分类方法性能较差的问题,本文改进了Mean-Teacher半监督分类模型的网络结构,并结合Focal Loss函数,提出了针对SAR目标分类的改进Mean-Teacher模型。改进后的Mean-Teacher模型可在训练期间在线挖掘困难样本,进而实现更好的分类性能。最后,联合提出的基于CWGAN-GP的SAR目标数据增强方法以及改进Mean-Teacher模型,本文提出了基于生成对抗网络的半监督SAR图像目标识别算法。该方法使Mean-Teacher模型训练于增强训练集上,进一步提升了改进Mean-Teacher分类器的性能。在MSTAR数据集上一系列的实验表明,提出的SAR目标识别算法较大多已有的算法具备更高的识别精度,且能在训练集仅含少量标签时就达到高水平的识别性能。