SAR图像显著性检测是一项具有挑战性的任务,对于后续SAR图像解译具有重要作用。现有方法主要基于自底向上的对比度分析和人工设计的图像特征,如强度、边缘方向、颜色和中心四周对比度等特征。这些方法主要针对光学图像,因为在自然场景中获得的光学图像通常仅在图像中心区域有少量显著性目标,并且目标与背景非常容易区分。因此现有方法在检测光学图像显著性区域时性能较好。与光学自然图像不同,SAR图像具有特殊的成像机理和图像特性,通常包含场景中多个目标的电磁散射信息,此时颜色和中心四周对比度等特征不再适用。本论文基于全卷积神经网络提出一种端到端的SAR图像显著性提取方法(SSNet),该方法通过自顶向下的方式学习得到视觉关注显著图,显著图中每个像素的亮度代表了人眼可能注视的概率。利用实际SAR图像以及采集的人眼注视数据进行实验,结果表明SSNet能精确预测SAR图像中的显著性区域,且具有较高的计算效率。此外,SSNet能一定程度抑制眼动仪设备在采集实际注视数据时带来的标注噪声。