合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动的对地侦查雷达系统,主要用于飞机、卫星等航天器,它能全天24时的对地面进行观测。近年来,随着SAR成像研究的不断进步,SAR图像的分辨率越来越高,因此如何快速的、准确的检测出SAR图像中的目标种类并对其定位是当前的一大研究热点,具有重要的研究价值。论文基于深度学习方法对高分辨率SAR图像目标检测进行研究,主要工作如下:传统的SAR图像检测方法,由于其繁琐的步骤,使其很难进一步优化去适应分辨率越来越高的SAR图像检测。近年来,深度学习中的卷积神经网络依靠其强大的特征提取能力,在目标检测领域取得了跨越性进展。论文首先针对深度学习中YOLOv3(You Only Look Once v3)算法在高分辨率SAR图像上目标检测时存在较多漏检、误检现象,准确率低的问题,提出了一种基于YOLOv3算法的SAR图像目标检测算法SAR-YOLO-960。该算法针对SAR图像的特点,提出了一种Darknet-SAR特征提取网络,并且改进了 YOLOv3的损失函数,使得模型能更加适应难以分类和类别较少的目标。通过实验表明,该算法在SAR图像目标检测任务上具有较高的准确率,并且改善了漏检、误检现象。论文接着针对SAR-YOLO-960算法检测超分辨率的SAR图像时,存在漏检、损失函数曲线波动大的问题,在该算法基础上提出了一种集成滑窗的目标检测算法SAR-YOLT(You Only Look Twice)-960。首先针对损失曲线波动的问题,采取了迁移学习的策略,在 MSTAR(Moving and Stationary Target Acquisition and Recognition)公开数据集上进行预训练;接着运用K-means算法对初始候选框进行聚类;最后针对漏检问题,发现是在切割超高分辨率图像输入时,图像切割边缘的目标特征会被破坏,导致漏检,因此采用了集成滑窗的检测模型。通过在超高分辨率SAR图像上的检测任务,和训练时的损失曲线图,证明了提出方法的有效性。论文结合高分辨率SAR图像的特点,基于目前深度学习光学图像目标检测中主流的YOLOv3网络进行了改进研究,提出了 SAR-YOLO-960与SAR-YOLT-960算法。通过实验结果,证明了提出算法能有效解决高分辨率SAR图像检测中存在的问题。