合成孔径雷达(Synthetic Aperture Radar,SAR)具备长期稳定运作、对不同气候适应性强、穿透性好等优点。经过数十年的发展,由于其特有的各种优势,SAR成像技术已经广泛地应用于如地形遥感探测、军事领域侦查识别、自然灾害实时性监测预防等领域,它的出现对国防技术和现代民用范围的改革和提升都有着深远的意义。随着近几年深度学习的高速发展,深度学习在SAR成像中的应用也越来越多,出现了诸多如基于深度学习的SAR图像目标分类、物体检测、去噪、目标分割等方面的研究。本文主要完成了基于深度学习技术的SAR图像目标检测和分割实验。其中主要研究了基于GPU并行加速的近场三维BP算法、成像性能加速与质量优化、成像固定通道误差分析建模和各种网络模型。最后,通过YOLO、热图等方法完成SAR成像目标检测,并由全卷积网络实现SAR图像目标分割,主要研究内容和工作如下:1.叙述了SAR成像相关的理论基础。首先分析了SAR成像中常用的线性调频信号和匹配滤波技术。其次,结合近场安检成像的垂直扫描模式,建立了目标回波信号模型。然后,给出了阵列三维SAR成像的模糊函数以及三维理论分辨率。最后,分析了SAR成像中常用的BP算法。2.实现了基于实测数据的近场三维安检成像并进行了相关的理论分析。首先,对安检成像理论进行了简要介绍,主要包括系统成像模型、最大值投影方法等。然后,给出了阵列三维SAR成像中常见的误差分析,同时对安检成像中存在的固定通道误差进行分析建模并给出成像过程的相关分析,通过实测数据成像对比分析,证明了提前预估固定通道误差的正确性以及补偿的有效性。最后,引入基于GPU并行化加速的方式减小三维BP成像算法的时间,为了进一步缩短成像时间而使用了成像过程对回波进行随机抽取的方法,由于最大值投影成像以及系统因素等引入的噪声会引起成像质量下降,可以结合常用的如中值滤波、图像平滑、图像锐化等方式有效地改善成像的质量。3.完成了基于深度学习技术的安检实测成像异物检测。首先,介绍了深度学习检测网络的重要概念,如非极大值抑制、边框回归等。其次,分别重点阐述了热图方法和YOLO网络相关的理论基础。然后,对于安检成像中获取的实测数据分别基于热图方法和YOLO网络进行训练,并对训练过程进行分析。最后,通过获得两类网络在实测数据上的检测结果,在检测精度、准确率和耗时量上对比分析两种检测网络的性能和适用性并给出相关结论。4.完成了基于卷积神经网络的传统SAR图像目标检测和分割实验。首先,介绍了卷积神经网络中各个部分,包括卷积层、激活函数、全连接层等。然后,对包含背景的MSTAR数据集分别基于YOLO和Fast RCNN完成了目标检测。最后,实现基于全卷积网络在大场景SAR图像上的目标分割。