合成孔径雷达(Synthetic Aperture Radar,SAR)是一种不受光照、气候等因素影响,全天时、全天候工作的传感器装置,在军事、农业、科研等各个领域有着广泛的应用。针对SAR场景的自动目标提取技术能够对图中目标进行准确地定位,在SAR图像解译领域有着重要的研究意义。本文着眼于复杂SAR场景中车辆目标的自动提取问题,从目标检测和目标鉴别两个角度出发,深入地分析了现有算法的不足,并结合深度学习方法对其进行了修改。主要研究内容概括如下:1.针对传统鉴别算法需要人工选取特征组合的问题,本文设计了一个10层的卷积神经网络(Convolutional Neural Network,CNN),利用深度学习的形式自动地实现了特征的提取、组合与分类,有效地避免了复杂的特征工程。该方法将原始的图像切片直接作为输入,大大地减少了数据预处理的需求。通过Mini SAR实测数据上的对比实验证明,与传统鉴别算法相比,基于CNN网络的鉴别算法对疑似目标切片的分类能力更强,鉴别准确率更高。2.研究了光学图像目标检测算法——单次多框检测器(Single Shot Multi Box Detector,SSD),并将其成功应用到SAR图像处理中,实现了end-to-end的目标检测。针对SAR图像难以获取、训练数据不足的问题,通过Mini SAR数据集上的对比实验寻找到一种更合理的数据扩充方式。此外,论文从SAR图像检测任务的特性出发,对SSD的网络结构进行了适当修改,并通过实验证明修改后的网络能够在不增加虚警的前提下检测到更多的目标,具有更优良的检测性能。3.针对目标检测—鉴别需要分阶段处理的问题,本文设计了一个SAR图像目标提取软件。通过将所研究的算法都集成到人机交互界面中,实现了整个流程的自动化处理。软件以灵活度高、可扩展性强为设计原则,共包括数据读取、预处理、目标提取和辅助功能四大模块,各个模块均支持顺序执行和独立运行两种操作。软件的所有参数都设置了默认值,也预留了外部接口,极大地方便了用户的理解和使用。