合成孔径雷达(Synthetic Aperture Radar,SAR)由于其独特的优势已经成为当今社会的一种重要的信息获取手段,无论在军用领域还是民用领域都发挥着至关重要的作用。作为获取SAR信息的方式,SAR图像的识别一直是研究热点之一。近年来深度学习的提出引起了又一股人工智能的研究热,深度学习由于将非监督学习和监督学习结合,使得大量的无标签的数据都有了学习的价值,因而在目标识别方面取得了前所未有的成功,但仍面临着许多问题。本文首先总结了基于机器学习的SAR图像目标识别的技术,给出了监督学习中的神经网络和非监督学习中的主成分分析两种方法在MSTAR数据集上的识别效果;其次本文指出了机器学习方法在目标识别方面的局限,即:在应用到SAR图像目标识别时需要大量的专业知识,不能自动的提取能够表征SAR目标的特征,基于此,本文提出了深度学习的模型可以解决该问题,分别将深度置信网络和卷积神经网络两种深度学习模型用于SAR图像目标识别,并分析了两种模型的各个参数对模型的性能的影响,给出了在用于识别SAR目标时的这些参数的典型值;最后,由于SAR图像中包含大量的相干斑噪声,这是影响模型识别性能的关键因素之一,本文在对比了Lee滤波和小波变换两种相干斑噪声抑制方法的识别效果的基础上,得出结论:Lee滤波和二层小波变换两种方法的结合可以获得在识别性能方面的提升。