合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译需要大量图像数据支持分析,但现实中常面临图像数据不足的问题。仿真生成SAR图像是一种解决方法,其关键是SAR图像的分割与合成,但传统分割方法在抵抗噪声干扰和分割效率上比较低;而且目前缺少一种SAR图像背景与目标的迁移合成方法。随着深度学习方法在图像生成领域的成功应用,研究利用深度生成学习模型来解决SAR图像仿真生成中的难题具有可行性及潜在价值。本论文从SAR图像特征分析、SAR图像分割和SAR图像迁移等三个方面对SAR图像仿真技术进行研究。主要工作内容是改进了全卷积网络（FullyConvolutional Networks,FCN）结构,设计了FCN-SAR图像分割方法,并首次利用循环一致性对抗网络（Cycle-Consistent GAN,CycleGAN）实现了SAR背景与目标迁移融合,光学图像与SAR图像风格迁移,具体内容如下:（1）本文首先对SAR图像中的相干斑、阴影、纹理结构、灰度等特征进行分析,给出了SAR图像的特征值和灰度统计特征。之后介绍了深度学习领域中的神经网络和生成对抗类网络,并比较不同神经网络激活函数的优点。（2）在传统SAR图像生成方法流程中,基于边缘检测和基于区域分割的SAR图像分割算法分割效率较低且结果受相干斑噪声影响较大,针对这一问题本文提出利用神经网络进行图像分割,设计了FCN-SAR网络结构。FCN-SAR网络结构层数和参数数量少,计算复杂度低。在仿真验证中,通过SAR目标和阴影区域分割仿真验证表明:相比传统分割方式,基于FCN-SAR结构的分割方法在提高SAR图像的分割效率和精确度上具有分割效率高,且不受噪声影响。（3）针对目前缺少有效的SAR图像迁移合成方法这一问题,本文基于传统生成对抗网络类方法的研究,提出利用CycleGAN进行SAR图像仿真。针对CycleGAN稳定性差的问题,采用LSGAN（Least Squares GAN）和DCGAN（Deep Convolution GAN）改进CycleGAN的模型,提高训练稳定性,并进行了多种仿真应用:在数据集处理上,用此方法对受噪声影响严重的图像进行图像预处理,能够更好的抵抗噪声干扰;利用CycleGAN进行SAR目标和背景迁移仿真,光学图像与SAR图像迁移仿真,仿真结果表明该方法泛化能力强,迁移合成图像具有较高相似度,可以用于扩充SAR图像数据集。