区别于光学成像系统,合成孔径雷达(Synthetic Aperture Radar,SAR)依靠主动地收发电磁波来采集地物信息,并通过数字信号处理的方法对接收到的回波信号进行成像,因此其不受光线、天气条件的限制,并且在一定程度上可以穿透遮挡,所以SAR图像可以提供很多有价值的信息。然而其固有的斑点噪声、方位敏感性和几何失真等为图像的解译带来了很多困难,这也使得SAR自动目标识别方法具有很高的研究价值。随着SAR技术的不断进步,其数据采集和成像的方式也更加灵活多样。圆迹SAR和地球同步SAR等具有连续在目标多个方位角度上成像能力的传感系统为SAR目标识别的研究带来了新的方向和挑战。相较于在单方位角度上成像得到的SAR图像,连续在多个方位角度上成像得到的SAR图像序列除基本后向散射信息外还包含了空变的散射特征。本文从常规的基于单方位角度的SAR图像目标识别研究出发,在可获得多方位角SAR目标图像的前提下,进一步研究了基于多方位角SAR图像序列的目标识别方法。本文的主要工作如下:首先,在对传统的SAR目标方法以及SAR图像的特性有了充分认识的基础上,分析了传统SAR目标识别方法中存在的一些问题。针对这些问题,将深度学习的方法引入了 SAR目标识别的研究中。之后,在常规的基于单方位角SAR图像目标的识别研究中,提出了一种基于残差学习的单方位角SAR目标识别方法。通过构建深层次的残差神经网络来学习抽象级更高的特征,并将Dropout引入到残差块中以缓解小样本数据带来的过拟合问题。此外,为了使提取到的高层特征的可判别性更强,还引入了用于缩小特征类内距离的中心损失函数配合着Softmax损失函数共同监督网络的训练,从而提升了 SAR目标识别方法的泛化能力以及小样本条件下的识别性能。最后,针对多方位角SAR目标数据,在单方位角SAR目标特征提取网络模型的基础上引入了递归神经网络,进而提出了一种基于递归学习的多方位角SAR目标识别方法。该方法结合了残差神经网络的高层抽象特征提取能力和双向长短时记忆网络对特征序列上下文关系的学习能力,在单方位角特征的基础上继续学习目标在多方位角上的空变特性。该方法学习到的特征融合了多方位角SAR目标图像序列中更丰富的特征,进而在提升精度的同时增强了识别方法的泛化能力。