视频合成孔径雷达（简称,视频SAR）由常规SAR发展而来,继承了常规SAR的优势,同时具备对目标场景进行快速连续成像的能力。运动目标检测一直是视频SAR领域的研究热点之一,但是视频SAR的传统运动目标检测算法对帧间SAR图像配准要求极高,而使得检测性能下降。近年来,基于深度学习的目标检测算法因其优秀的检测能力而备受关注,随着深度学习的不断推广,越来越多的领域开始与深度学习相结合。不少学者已经将深度学习应用到雷达领域。基于深度学习的目标检测算法不需要视频SAR图像的高度配准,因此将深度学习与视频SAR运动目标检测相结合具有重要研究价值。基于上述背景,本文在基于深度学习的视频SAR运动目标检测方面进行了深入研究,主要研究工作总结如下:1、对视频SAR的系统帧率、运动目标回波特性和视频SAR运动目标阴影的产生机理及影响因素进行了详细研究和仿真验证。此外,结合课题组自行研制的mini SAR系统参数,研究该参数下的运动目标回波特性,为基于深度学习的视频SAR运动目标检测算法研究做铺垫。2、提出了基于深度学习的视频SAR运动目标检测算法,在课题组自行研制的mini SAR系统参数下进行运动目标仿真样本生成、神经网络训练及神经网络测试,验证了基于深度学习的视频SAR运动目标检测算法有效性。首先,对视频SAR系统参数下运动目标与雷达平台的斜距表达式进行展开研究,得到影响视频SAR运动目标形态的参数组。然后,依据新参数组,利用图像处理相关知识构建适用于卷积神经网络训练的运动目标仿真样本集。最后,通过仿真数据验证了基于Faster R-CNN算法视频SAR运动目标检测能力及参数估计能力,为该算法实用化研究做铺垫。3、针对视频SAR系统运动目标成像特性,对Faster R-CNN算法的特征提取网络、区域建议网络和Ro IPool层进行改进,提出了一种改进的深度学习视频SAR运动目标检测算法。同时,利用课题组的mini SAR系统录取的带有运动目标的实测数据,验证了基于改进的Faster R-CNN算法在实测视频SAR数据处理中的可行性及优越性。4、提出了一种基于仿真运动目标参数遍历的神经网络训练方法,并用实测视频SAR数据进行算法验证。首先,结合视频SAR系统参数确定运动目标形态变化的参数组范围,进而以参数组遍历的方式形成包括运动目标所有可能形态的神经网络训练样本集。最后,利用上述样本集对改进Faster R-CNN算法进行网络训练,将训练的网络用于实测视频SAR数据进行处理,处理结果证明了基于仿真运动目标参数遍历的神经网络训练方法可以有效的实现实测视频SAR运动目标检测,是一种基于仿真样本集的视频SAR运动目标检测方案。