合成孔径雷达(Synthetic Aperture Radar,SAR)是一种利用合成孔径原理,基于早期的真实孔径雷达技术发展出来的高分辨率成像雷达技术。由于SAR成像具有全天时、全天候、多波段、多极化、高分辨率等特性,被广泛应用于遥感侦察、地形测绘、目标监视及环境监测等领域。SAR成像探测距离远、穿透性强,是复杂背景下地面车辆监测的重要手段,SAR图像目标检测方法的研究具有重要意义。由于SAR图像为相干成像,斑噪严重,目标背景边界不清晰,目标像素数少,视点多变,为SAR图像目标检测算法带来了困难。传统的基于分割与先验特征提取的SAR图像目标检测方法,存在检测准确率低、虚警高、目标场景适应性差等问题,因此本文首先引入深度学习方法,基于Faster-RCNN网络框架实现SAR图像车辆检测方法。针对Faster-RCNN网络存在目标特征提取的不足,斑噪特征无法去除的问题,本文训练了一个噪声抑制网络DnNet来对SAR图像进行噪声特征提取,然后结合Faster-RCNN网络搭建DnRCNN网络,利用DnNet网络提取到的噪声特征,通过卷积降采样以及特征图像素相减等操作实现特征图上的“去噪”操作,使DnRCNN网络提取特征更具鲁棒性。本文使用MSTAR公开数据集制作训练数据集对网络进行训练、测试。通过对比实验表明,现有Faster-RCNN网络检测方法存在准确率较低,漏检误检严重的问题,而本文所提DnNet网络模型能有效抑制SAR图像噪声,DnNet与Faster-RCNN网络结合构建的DnRCNN网络目标检测准确率有较大提升,漏检误检现象得到改善。