合成孔径雷达（SAR）作为一种主动式的对地观测系统,可安装在飞机、卫星、宇宙飞船等飞行平台上,全天时、全天候获取遥感数据,分辨率高,且穿透力和存活力极强,因而被广泛应用于军事和民用领域。作为一种独特的侦察手段,SAR在军事领域最主要的应用是实现对特定军事目标的检测和识别,推动军事战场的信息化、现代化以及高效化。因此如何实现SAR图像目标识别具有重要的理论和实践意义。近年来,计算机硬件性能飞速提升,为大数据的获取提供了良好的平台,推动了以深度学习为理论依据的新型人工智能算法的发展,在图像目标检测和识别领域取得了相当不错的成绩,掀起了国内外专家学者的研究热潮。由于SAR系统目标的多变性,传统的SAR图像识别方法很难对原始数据的特征进行充分有效的挖掘,这在很大程度上限制了SAR的实际应用。本文利用深度学习独特的特征提取及表达能力,以提高SAR图像目标识别性能为目的,对基于深度学习的SAR图像目标识别展开了相关研究,主要研究内容概述如下:（1）针对SAR图像目标识别中分类器的设计耗时耗力以及特征提取算法选择困难的问题,本文引入卷积神经网络（CNNs）,并对其主要结构进行了详细研究,总结了CNNs网络性能改进的关键,同时结合压缩感知理论,成功构建了一种可实现网络全连接层参数量大幅度减少的SAR图像目标识别模型（CSCNNs）。该算法模型在使用Dropout机制和L2正则化技术来抑制过拟合的基础上,对网络的全连接层进行了改进,设计了基于Re LU非线性激活函数、批量标准化（Batch Normalization）操作以及带动量的随机梯度下降算法的SAR图像目标分类识别算法。基于MSTAR十分类数据集的实验结果验证了该模型的有效性,不仅如此,该算法在普通自然图像数据集上的实验结果也进一步验证了该算法的通用性。（2）针对SAR图像目标识别问题中因参数随机初始化而导致的网络收敛速度慢及过拟合的问题,本文在CSCNNs网络模型的基础上,采用了一种基于迁移学习监督式预训练的卷积神经网络。该方法首先针对MSTAR数据集在扩展条件（EOC）下的三类军事目标识别任务进行了训练,得到预训练模型;然后用该预训练模型初始化CSCNNs网络模型,在此基础上对MSTAR数据集在标准条件（SOC）下的十类军事目标进行识别,并与参数随机初始化的CSCNNs模型进行了分类识别性能的对比分析,最终实验结果验证了该方法的有效性。