合成孔径雷达（SAR）具有全天时、全天候的工作特点,能够实现对地观测的高分辨成像。经过半个多世纪的研究发展,其理论研究与成像技术等都相对成熟。基于合成孔径雷达的自动目标识别（SAR-ATR）技术专用于从复杂的SAR场景中有效检测并识别目标,也就是能够从雷达回波图像中找到感兴趣的目标,并且提取目标特征、目标类别等信息,同时SAR-ATR技术也成为提高军队指挥自动化水平、战场感知能力、攻防能力的有效工具,一直是国内外学者研究的热点话题。尽管SAR成像与光学成像相比具有一定优势,例如,它对天气条件的敏感性低、对障碍物的穿透能力强、分辨力高等,但是,SAR图像数据中用于识别的目标像素亮度值和几何形状数据容易受到卫星传感器和电磁波传播的影响,这使得直接进行基于SAR图像的目标检测和分类十分困难。近年来,一些SAR-ATR技术在一定程度上能够缓解这一难题,例如:非负矩阵分解（NMF）,主成分分析（PCA）和卷积神经网络（CNN）等,但是实际效果较差,适应性不高。在此背景下,本文深入研究了基于深度学习网络的SAR-ATR理论和技术,并提出了新的深度学习框架和算法。针对SAR图像预处理对识别影响的基本问题,将稀疏自动编码器（Sparse Auto Encoder）和CNN识别器（SCR）引入SAR-ATR应用中。论文提出两步处理,首先使用SAE作为原始数据的预处理方法,提高待识别的SAR图像质量,然后使用两步卷积网络体系结构,从精细化SAR图像中中自动学习特征图像。并将其分类为不同的类别。针对SAR图像目标的CNN特征融合的基本问题,论文提出了一种基于CNN和堆叠自动编码器（Stacked Auto Encoder）的SAR目标识别新框架。该框架从双层CNN体系结构的完全连接层中提取特征,并将特征进行有机组合,特征组合馈入SAE,解决了准确提取目标特征的问题,实测数据证明了该方法的有效性。为了研究不同颗粒度组合特征和融合特征对SAR图像分类精度的影响,借鉴图像处理和深度学习网络,论文引入了一个新的多尺度识别框架,利用三个不同尺度CNN的组合构成。三个CNN具有相同的架构,其主要区别在于其中每一个的卷积和池化核的大小:粗粒CNN（CG-CNN）,中粒CNN（MG-CNN）和细粒CNN（FG-CNN）。使用选定大小的卷积和池化内核从头开始训练每个CNN。通过实际数据实测,与不进行数据扩充的识别技术相比,该方法识别分类更准确。胶囊网络（Caps Net）是过去三年中新兴的深度学习网络,适合小样本集合的学习。本文将Caps Net算法应用于SAR-ATR,设计了按协议的特征路由选择算法、非标量的矢量输出特征检测器来提高识别分类的准确性,通过实际MSTAR数据集的实验结果,表明该方法能够克服CNN对SAR目标图像识别的不足。为了进一步提高CNN和Caps Net的识别精度,论文提出了双卷积-胶囊网络方法。该方法利用从CNN网络中不同层提取到的特征,然后利用Caps Net进行分类识别,使二者有机结合。与单一传统的CNN和Caps Net相比,该算法具有更好的识别精度。