合成孔径雷达(SAR)具有全天候、全天时、穿越云雾和植被能力等光学传感器无法比拟的成像优点,是军事和民用领域的重要探测手段。单极化SAR相比于多极化SAR具有结构简单、运算量小等特点。机器学习是人工智能领域的研究热点,在图像处理,特别是分类识别等领域有着广泛的应用。深度学习作为机器学习的重要组成部分,伴随硬件处理能力的迅速提升,近十年来得到了越来越广泛的关注,已经成为计算机视觉领域最热门的方向之一。本文创新性的将深度学习算法之一的卷积神经网络应用于SAR图像识别上,取得了良好的效果。本论文应用机器学习方法构建了一种SAR图像分类系统,应用深度学习方法构建了一种SAR目标识别系统,分别对其进行了软件仿真实验。论文从SAR成像模型出发,介绍了SAR图像区别于光学图像的特点,分析了多种SAR图像的降噪算法,并通过实验对比了降噪效果。其次,在SAR图像特征提取时,受相干斑噪声影响,需要选取鲁棒性强的算法,本文基于不同应用场景引入了Hu不变矩和尺度不变特征(SIFT)两种不同的图像特征提取算法,用以提取SAR图像特征,并仿真验证了这两种算法的鲁棒性和可行性。再次,本文提出了一种基于支持向量机的SAR图像分类系统,用以进行复杂背景下的目标分类,将图像金字塔模型和直方图交叉核运用在SAR图像分类上,并进行实验仿真,验证了分类效果。最后,本文创新性的提出了一种基于卷积神经网络的SAR目标识别系统,并用MSTAR数据进行了测试和分析,取得了超过95%准确率的识别结果。