合成孔径雷达是一种高分辨率成像雷达,可以在任何天气条件和光照条件下得到高分辨雷达图像,其被广泛地应用于军事侦查和地理探测等领域。在军事侦查领域,星载或机载合成孔径雷达在完成对地面成像后,由于雷达图像生成过程受到强烈的电磁散射和背景噪声的影响,通过人眼来分析图像中的目标是费时、困难且效率低下的,故合成孔径雷达自动目标识别的研究变得十分重要。近年来,深度学习通过深度结构自动学习高层次特征已经成为目标识别领域中最流行的方法。其中在图像识别领域,卷积神经网络通过权值共享和特征聚合等特征映射方式在各类图像识别任务中获得极好的效果,受到模式识别、人工智能和计算机视觉等众多领域的青睐。本文首先分析基于深度学习的合成孔径雷达图像自动目标识别方法的现状,阐述深度学习中的前向和后向传播原理、特殊结构。然后,针对真实雷达目标图像数据集,搭建能映射和聚合多尺度特征的卷积神经网络,进行目标的型号识别实验和目标的姿态预估实验,在数个数据集上均获得较高的识别精度。之后,为了验证真实雷达图像集用于训练时潜在的缺点,建立雷达图像仿真平台,结合真实雷达图像背景数据,采用不同的背景叠加策略构成对比数据集。搭建具有较强防过拟合能力的深度网络分别在对比数据集上训练,通过各个模型自身的测试结果及不同模型和数据集间交叉验证的结果,真实雷达图像集的背景相似性的缺点得到验证。然后,考虑到大场景多目标雷达图像下的目标识别问题,分别建立三级串联检测鉴别和识别系统和基于候选框优化选取的检测识别系统。三级串联系统由简单图像处理方法检测、大类鉴别网络和型号识别网络构成,通过目标位置多样性和自旋转扩增,结合后期网络参数调优,训练出泛化能力较好的识别模型,最后在搭建的端到端系统上的结果验证三级串联系统的有效性。基于候选框优化的识别系统采用检测识别联合训练技术,对按一定规则选取的候选框进行置信度求解和非极大值抑制,在小幅雷达图像的检测和识别中获得较高的交叠率和识别精度,然后搭建适用于大场景的端到端系统,在该系统上的实验结果表明基于候选框优化的系统具有较好的识别性能。最后,对识别定位后的目标跟踪技术进行探索,基于相关滤波跟踪算法进行雷达视频目标的跟踪。