基于合成孔径雷达（Synthetic Aperture Radar,SAR）的自动识别技术在军事和民用领域具有广泛的应用。由于SAR系统特殊的成像机理,SAR图像中目标的形状特征取决于极化方式、俯仰角、方位角等参数,不同参数对同一目标所成图像有较大差异,要实现对SAR图像中目标的高识别率,需要许多不同成像参数下的SAR图像。但在现实条件下,获得不同目标完备的SAR数据难以实现。利用高频电磁方法进行电磁仿真成像是目标识别中重要的数据源生成手段,该方法可以给目标识别提供任意观察角、多频段、多分辨率的数据,因此研究基于电磁算法的快速成像技术有着重要的现实意义。本文以目标识别研究中对SAR数据的迫切需求为牵引,对基于SBR的快速成像技术展开研究,同时在此基础上,通过此项快速成像技术构建用于目标识别的SAR图像仿真数据集,并基于此数据集对目标识别算法展开研究。论文的主要工作如下:首先,本文简要介绍了SAR和ISAR这两种雷达的工作模式,并且详细的介绍了高频电磁算法中的物理光学法（PO）和弹跳射线法（SBR）的基本理论。其次,本文研究了基于SBR的快速成像技术,并通过与传统的扫频扫角IFFT变换成像方法的成像结果对比验证了此方法的正确性。在此基础上,考虑了目标在粗糙背景下的高分辨率成像,并对成像公式进行改进以及引入并行加速技术,以此来提高仿真成像的速度。最后,根据基于SBR的快速成像技术有小带宽和小角度的限制条件,研究在满足小角度、小带宽的限制条件下,使用多频带数据融合的方法提升距离向上的分辨率。最后,本文介绍了卷积神经网络的基本结构,为目标识别算法的研究提供理论基础,并使用基于SBR的快速成像技术对不同舰船目标和海面进行快速成像,构建用于目标识别的SAR图像仿真数据集。在此基础上,使用Faster RCNN目标识别算法对数据集中SAR图像舰船目标进行检测和识别,根据Faster RCNN网络检测和识别性能的不足,提出通过改进候选框的初始尺寸、特征融合等方式对Faster RCNN网络进行改进,并通过实验结果对比验证了改进模型的有效性。最后,针对改进的Faster RCNN网络未能充分利用不同层级的卷积特征,进一步提出基于FPN结构的Faster RCNN网络结构,并通过具体的实验验证了此模型的有效性。