合成孔径雷达(SAR)一直在军事和民用领域发挥着重要作用。它以其庞大的信息获取量、全天候工作等特点,在资源探测、目标跟踪、危险预警等领域都有着广泛的应用。随着遥感技术的不断发展,合成孔径雷达技术越来越完善,具有很大的应用价值。在诸多研究领域中,对于SAR图像的研究(目标识别分类、超分辨重构、目标分割等)一直是科研的重点。对于这些任务,特征提取是决定算法性能的关键因素,如何选取有效的特征成为了任务的核心问题。近年来,光学图像处理领域各种算法百花齐放,先后出现了许多新的图像处理概念与模型,这些模型方法在光学图像的任务中表现出色,人们也开始将这些优秀的算法和概念引入到SAR图像处理任务中。2006年,Hinton等人在深度学习的思想中,主张通过构建多层的深度网络模型来自动学习图像的特征,随着网络深度加深,学习的特征也从浅层变向深层。实验表明,深度学习网络提取的特征在各种图像处理任务中表现更好。至此,关于深度学习的研究便如火如荼展开。本文将深度学习的理念引入到SAR图像处理任务中,主要研究其在处理任务中的两项工作:分类和回归。从而完成了目标识别和SAR图像超分辨率重建这两项任务。然而,由于SAR图像的多种特征,深度学习在SAR图像处理上的研究受到阻碍:(1)不同于光学图像,SAR记录的是地物的回波信息,这些信息需要通过后期的成像算法形成可供人们研究解析的图像,成像算法一定程度影响了成像质量。此外,SAR图像中包含了很多不可避免的相干斑噪声,这使得其目标容易淹没在噪声中,很难提取其中有价值的信息。所以,相比于光学图像,SAR图像不易理解和编译。(2)深度学习的优秀性能是建立在大量样本训练的基础上,在光学图像的训练任务中,训练集往往包含上万、乃至几十万的样本量。而SAR图像由于种种因素,目前还没有同光学图像那样庞大的公开训练集。并且在特定的工程任务中,.由于时间、经济效益等因素,庞大的SAR图像训练集采用变得更加难以实现。如何在已有的SAR图像上实现样本扩展也成为一大问题。为了将深度学习引入到SAR图像处理任务中,本文围绕分类问题——SAR目标识别,回归问题——超分辨重构两大方向展开,结合上述所提出的难点,开展了以下工作:(1)对于采用深度学习方法时,存在的SAR图像样本不足问题,提出一种SAR图像扩维技术。根据SAR图像的成像原理、成像质量,对其进行相关预处理操作,实现多维度的“数据强化”。将处理后的SAR图像与原始图像组合,形成高维数据作为网络训练样本。有利于改善SAR图像样本量少的问题,使得数据可以支撑网络训练,从而自动学习到更适合分类的特征,使得识别精度达到预期水平。(2)由于SAR图像分辨率低,在多目标图像中,很多目标难以区分,SAR超分辨重构工作也至关重要。结合当下多种超分辨重构网络,针对具体工程需求,对网络结构、损失函数、训练策略方面加以改进,使得可以训练的网络可以得到较好的高分辨SAR图像。论文在解决上述理论和技术问题的基础上,研究了多种深度学习网络和训练策略,实验结果表明深度学习在SAR图像处理领域确实具有很大的潜力。