随着合成孔径雷达(Synthetci Aperture Radar,SAR)卫星数量的不断增加,获取的SAR图像数量也呈几何级数增长,然而SAR图像的解译技术却发展相对滞后,SAR图像目标检测和识别是SAR图像解译的主要目标。目前,SAR图像目标检测与识别主要靠人工干预,自动化程度较低,不能满足工程化应用需求。如何提升SAR图像目标检测与识别的自动化程度,提升处理效率和精度成为近年来世界各国的研究热点。只有对图像去噪、图像分割、目标检测和识别这些处理步骤中所用算法都进行优化才能最终提升SAR图像目标检测与识别的效率和精度,因此,开展SAR图像目标自动检测与识别方法研究对于推动SAR的工程化应用有重要意义。为此,本文在分析SAR图像特性的基础上,开展了SAR图像去噪方法、目标分割方法、基于小线变换的SAR图像目标自动检测方法和基于深度学习的SAR图像目标自动识别方法等相关研究。本文首先对SAR图像特性进行了研究分析,针对SAR相干成像机制造成的图像斑点噪声,对已有的SAR图像去噪方法分析基础上,将超小波变换中的Bandelet变换用于SAR图像预处理的工程实践中,Bandelet变换在图像噪声抑制中,能够更好地保留图像的边缘和方向性信息,具有一定的先进性。其次,在SAR图像分割中,提出了基于全局Maxflow邻域生长算法SAR图像分割方法,将纹理及边界两种信息相结合,该方法对于SAR图像分割的鲁棒性比较强,测试出来的结果比较好,通过选择合适的门限阈值,可以将图像中的干扰滤除,对提高目标识别精度有积极的意义。接着,通过分析已有的目标检测方法,面向线状目标,研究了小线变换理论,在目标检测中采用小线算法,提出一种基于Beamlet小线变换的SAR图像目标检测方法,克服了强噪声背景对目标检测提取的影响,在强噪声背景下,能够完成目标线条的提取、星系分布和目标形状的渐进编码,对目标的检测具有较好的效果。最后,针对已构建SAR自动目标识别系统分类识别精度不够高的现状,在研究分析卷积神经网络的模型理论及其发展的基础上,通过对目标识别领域内主流框架LeNet-5模型进行修改,得到LR、LR-1、LR-2等系列新模型,通过对BMP卡车,BTR装甲车,T72坦克等3类机动目标试验验证,其目标分类精度分别达到94.5%、98.6%和99.6%。本论文主要创新点如下:1.提出了一种全局Maxflow的Otsu分割算法和邻域生长算法相结合的SAR图像分割方法。将全局Maxflow算法纹理及边界两种信息进行综合利用,进行图像分割,创造性地改进了基于形态学的领域生长法,干扰得到有效的抑制,为提高目标识别率奠定了良好的基础。2.提出了一种基于Beamlet小线变换的SAR图像线状目标检测方法。相比传统的边缘检测算子(如Sobel算子、Robert梯度算子、Prewitt算子、Log算子、Canny算子等),该方法可以较好地消除图像噪声的影响,检测线状目标边缘效果更好,提高目标检测的精度。3.提出一种基于LeNet-5模型改进的LR系列模型。针对已构建SAR自动目标识别系统分类精度不够高的现状,在研究分析卷积神经网络的模型理论及其发展的基础上,通过对目标识别领域内主流框架LeNet-5模型不断改进,得到LR、LR-1、LR-2等系列模型,相比传统SAR图像识别流程方法中的特征提取方法(如神经网络、高阶矩、SVM等),该模型有效地提升了目标分类的精度,自动化程度更高。本论文以SAR图像目标检测和识别自动处理流程为主线,在深入研究SAR图像特性的基础上,针对图像噪声抑制处理、目标分割、目标检测和目标识别等关键步骤中现有处理方法的不足,分别提出了相应的改进方法,目的是能够有效地提升SAR图像目标检测和识别分类的效率和精度,提高SAR图像目标检测与识别的自动化程度,以便更好地满足工程化应用的需求,从而推动SAR图像在军事和民用上的应用。