合成孔径雷达(Synthetic Aperture Radar,SAR)拥有区别于光学传感器和红外传感器的独特优点,在军事和民用领域发挥着举足轻重的作用。经过六十余年的研究和发展,SAR成像技术逐渐趋于成熟,各种背景条件下的高分辨SAR图像数据不断增多,相比于早期的传统SAR图像,高分辨率SAR图像包含更加丰富的背景和细节信息,这给SAR图像目标自动识别技术提供了机会,也提出了更高的挑战。近年来,深度学习在自然图像识别上的表现十分惊艳,其强大的特征提取能力和一体化的处理流程为SAR目标识别技术开辟了新的方向,但是由于成像机制上的根本差异,SAR图像和光学图像存在截然不同的特点,因此需要对深度学习方法做适应性改进。针对传统SAR车辆目标分类识别方法效率低下、识别准确率低的问题,本文研究基于深度学习的SAR车辆目标分类识别方法,包括SAR图像切片的分类和在大场景下的多目标检测识别研究。完成的主要工作和取得的进展如下:1.研究基于传统方法的SAR目标分类识别方法和基于深度学习的SAR目标分类识别方法。首先对传统方法的三个关键步骤进行介绍,并对有关算法原理进行详细的解释;随后对深度学习算法中卷积神经网络的优点进行阐述,从基础结构、关键函数和训练优化方法等方面分别进行了分析。2.针对SAR图像数据量小,容易出现过拟合的问题,提出一种基于融合多尺度残差与密集连接的卷积神经网络(Inception-Residual-Dense Convolutional Neural Network,IRD-CNN)。该网络能有效地结合残差网络、多尺度网络和密集连接网络的优点,从多个方面提升分类模型的性能。基于实测的运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据集,设置多组实验,从预防过拟合效果、模型鲁棒性、细节特征提取能力三个方向出发,验证了该方法的有效性。3.针对SAR车辆多目标识别任务中图像背景复杂、目标尺寸小等问题,提出一种基于改进的特征融合单发多盒探测器(Feature Fusion Single Shot Multibox Detector,FSSD)SAR目标检测识别方法。首先,对单发多盒探测器(Single Shot Multibox Detector,SSD)算法的基本原理和特点进行了探讨。相较于经典的一阶段和二阶段算法,SSD能够利用多尺度特征,但是对于小目标的检测识别效果不佳,因此进一步研究了更加适合小目标的FSSD算法。通过对SAR图像特点的进一步分析表明,SAR图像中还存在着数据量小、正负样本不平衡的问题,因此从数据集扩充、难例样本挖掘、迁移学习、锚尺寸调整、软非极大值抑制(Soft-NMS)等五个方面对算法进行改进。随后,基于手工合成的SAR图像数据集,设置多组对比试验,对模型的评价指标平均均值精度进行分析,结果表明所提算法在多个方面均能有效改善模型性能。最后,通过与经典的深度学习算法比较可知,所提方法在SAR图像多目标检测识别中也能达到更好的效果,验证了该方法的有效性。