合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时和全天候的工作特征,在军事和国土安全领域已经被普遍采用。对SAR图像进行理解判读的过程中,其中最突出的问题即是合成孔径雷达目标识别。近年来,人工智能方法的研究热潮慢慢转向为深度学习领域,且在图像处理领域中深度学习模型更是取得了令人瞩目的研究成果。本文依据SAR图像的成像特性,研究基于改进的卷积神经网络的SAR图像目标识别方法。主要内容如下:对SAR成像特性进行说明,分析将传统目标识别方法用于SAR目标识别的难点,借此将深度学习理论引入到SAR图像目标识别方法中。首先对深度学习的核心理念进行阐述,其次阐述传统的深度学习模型自编码器、深度置信网络的训练方法。重点介绍了卷积神经网络,通过对不同结构的卷积神经网络性能进行实验对比,得到了适合SAR目标识别的卷积神经网络模型参数,包括卷积层数以及卷积核数目,为后续模型的改进奠定基础。普通卷积神经网络采用单一尺度的卷积核提取特征,导致其它精度的特征容易被忽略掉,从而引起提取的信息表达不够全面。针对以上问题,本文对传统卷积神经网络模型进行改进,提出并联卷积神经网络模型(Parallel Convolutional Neural Network,PCNN)。该模型将不同大小的卷积核并联,以不同的尺度对输入进行处理后重新组合,实现两种尺度特征的同步提取;为了提高特征鲁棒性,采用ELU激活函数,建立ELU激活函数与二次代价函数相结合的深度学习模型;在部分卷积层后引入批归一化(Batch Normalization,BN),以解决模型深度带来的梯度消失问题并且提高模型训练速度。以MSTAR数据集中八类不同类型的SAR图像数据为例进行实验分析,实验结果表明,PCNN识别结果高达98.82%,并具有较高的抗噪性。以同种类型中不同型号的八类数据进行实验分析,其识别结果也高达95.71%,证明了该方法的有效性。针对模型训练过程中准确率较低的问题,提出改进的网络优化方法,即在RMS Prop基础上结合Nesterov动量。首先利用RMS Prop算法改变学习率,其次引入Nesterov动量改变梯度,从这两方面进行模型训练参数更新方式的改进,避免网络陷入局部最优解,从而提高网络模型的健壮性。通过实例对比随机梯度下降算法、Ada Grad算法、未加入Nesterov动量的RMS Prop算法,表明本文提出的加入Nesterov动量的RMS Prop(N-RMS)优化方法的有效性。