合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船识别是海上目标解译的一个重要环节,也是目前研究的一大热点。由于SAR特有的全天时、全天候的优势,以及SAR图像目标识别在军事和民用领域的迫切需求,所以研究舰船目标识别方法具有重要的理论价值和实际意义。传统的SAR图像目标识别流程主要有检测、鉴别、特征提取和识别四个主要模块,模块之间相互依赖,具有很大的局限性。深度学习自问世以来,就受到很大的关注,由于其突出的特征提取能力和自学习能力被图像处理领域广泛应用。基于深度网络的SAR图像目标解译方法近些年被SAR领域的学者广泛研究,本文主要研究基于深度网络的SAR图像舰船目标识别方法,具体工作如下:首先,简述了研究SAR图像目标识别工作的背景和意义,以及回顾了研究工作的国内外研究现状;然后重点研究了目标识别常用的传统方法和深度学习方法,并对一些关键技术进行详细的理论介绍;在这部分最后简要介绍了深度学习在SAR图像舰船目标识别的运用。其次,针对在舰船目标识别中的类别不平衡问题展开研究,从数学角度解释了类别不平衡问题的本质以及对模型的影响。然后本文分析了目前已有的处理类别不平衡方法的优势与不足,在充分考虑了SAR图像中舰船目标特点的情况下,提出了一种新的损失函数用于处理舰船识别中的类别不平衡问题。该损失函数主要是通过直接增大类内距离间接增大类间距离的方式优化分类边界。最后通过大量的实验验证了本文提出方法的有效性。最后,重点研究了检测识别一体化。检测识别一体化是目前SAR图像目标识别的一大趋势。但是基于深度网络的舰船目标检测识别由于受到数据集和方法的影响,还不能实现一体化。本文在已有的数据集的基础上进行整理,然后构建了一个五类的舰船识别数据集。为了实现一体化并且更好地特征融合,构建了一个基于金字塔结构的深度网络;同时针对舰船不同类别相似度较高的问题在金字塔结构中加入注意力机制,可以有效的放大有用特征,抑制无用特征。通过实验验证了基于深度网络的一体化方法的有效性,同时用对比实验说明加入注意力机制确实可以有效提高舰船的识别率。