近年来,合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的飞速发展,对目标检测算法和分类算法提出了更高的要求,传统的分类与检测算法需要针对特定的数据集设计合适的特征提取器,但是设计特征提取器需要非常专业的知识以及丰富的经验,面对场景复杂多变的SAR图像数据,传统的算法很难满足需求。相比于传统的检测和分类算法而言,卷积神经网络可以自动发现输入数据中的复杂结构,而且其深层次的结构特点,可以将浅层提取到的简单特征逐层整合为更加适合任务需求的抽象特征。最重要的是,对模型的层数以及宽度进行调整即可改变卷积神经网络的学习能力,使得模型有着足够的灵活性。本文针对SAR图像处理的需求,提出了基于卷积神经网络的SAR图像目标分类方法,以及基于卷积神经网络的SAR图像目标检测方法。论文的主要内容可以总结为下面两点:1、卷积神经网络模型中包含大量的自由参数,在训练数据偏少的情况下,容易出现过拟合的问题。然而,相较于光学图像数据集而言,很难获得公开的大规模高质量SAR图像训练数据集,所以将卷积神经网络应用于SAR图像目标分类任务,主要面临两个问题:1)如何有效的扩充数据,得到一个相对完备的训练集用来训练模型;2)搭建一个参数足够少并且可以满足性能要求的模型;在第三章,我们通过目标区域平移、加噪、滤波、旋转、镜像等等数据扩充办法,将原始的训练集扩充成一个相对完备的训练集,并且构建了一个包含4个卷积层、4个最大池化层以及2个全连接层的分类模型,多层的结构保证了模型的分类能力,并且4个池化层使得模型中的参数得到了合理的控制,降低了模型过拟合的风险。最后基于MSTAR数据集的多组实验,验证了该方法的有效性。2、一副大场景的SAR图像往往非常的复杂,包含多种杂波数据,传统的CFAR检测算法都是基于像素级的,这一类方法对噪声特别的敏感,容易造成大量的虚警目标。卷积神经网络不仅利用了图像中的像素强度信息,还利用了目标的结构信息,可以减少虚警目标数目并且对于目标区域有更好的定位。在第四章中,我们提出了一种利用扩充样本辅助模型训练的卷积神经网络SAR图像目标检测方法,不仅利用扩充样本训练参数初始化模型来加快检测模型的收敛速度;而且,将尺寸变换后的扩充样本作为检测模型的训练数据,来进一步提升检测模型的精度。基于MiniSAR数据集的实验结果,验证了该方法的有效性。