合成孔径雷达(Synthetic Aperture Radar,SAR)由于其独有的特点,利用回波的信号进行采集图像,使其能够不受外界条件的干扰进行一定穿透性的探测,因此,在实际应用中具有很大的使用价值。然而由于其图像解译成本较高,使得SAR自动目标识别研究具有很大的价值。随着研究的深入,目前在传统方法上的研究已经使SAR目标识别遇到了瓶颈。近年来深度学习在各个领域的应用,也使得在SAR目标识别领域取得了更好的结果。然而由于数据量的限制,在小样本的条件下,基于深度学习的SAR目标识别遇到了新的挑战。为了能够增强目标识别的方法,我们从特征增强以及集成学习策略两方面来解决有限样本的问题,进一步研究了基于深度学习和决策树的SAR图像目标识别方法。本文的主要内容如下:首先,在深入分析了传统SAR图像目标识别的方法以及存在的不足后,将深度学习的方法应用到SAR图像目标识别中。进而分析了在有限样本条件下,深度学习方案的不足。然后,在小样本的限制条件下,为了更好的增强特征提取方法,将多层级联网络的方法引入SAR目标识别中。通常情况下,高层次的特征比中低层次的特征更全面、更具区分性,通常被用来进行类别识别。为了弥补有限样本情况下训练特征的不足,将最优选择的卷积层的级联特征串接起来,为识别提供更全面的特征。从而更好地提升了小样本条件下SAR目标识别的性能。最后,为了能够提供更有力的目标识别方案,在级联网络特征的基础上引入了集成的思想,进一步提出了基于决策树与级联CNN的SAR目标识别方法。为了充分利用这些级联特征,引入基于集成学习的分类器AdaBoost旋转森林代替原有的softmax层,实现更精确的有限样本识别。该方法从特征与分类方法层面,有效的增强目标识别的能力。通过AdaBoost旋转森林方法,不仅利用旋转矩阵进一步增强了这些特征,而且利用不同权值的弱分类器构造成了强分类器。