合成孔径雷达(SAR,Synthetic Aperture Radar)是一种高分辨率成像雷达,具有全天时、全天候工作的特点,在军事、农业、林业建设、地质勘探等领域有着广泛的应用。随着SAR图像分辨率越来越高,如何充分挖掘SAR图像信息成为了各国学者的研究重点。SAR图像目标检测和鉴别是SAR图像解译的关键步骤,通过检测确定疑似目标,通过鉴别进一步剔除杂波。但在复杂场景下,传统目标检测和鉴别方法性能有待提高。近年来,卷积神经网络(CNN,Convolutional Neural Network)在光学图像识别、检测、分割、跟踪等领域取得了巨大成功。卷积神经网络强大的特征提取能力为SAR图像解译问题提供了新思路。本文针对卷积神经网络在SAR图像目标检测和鉴别的应用展开研究,论文的主要工作如下:1、首先研究了经典的双参恒虚警率(CFAR,Constant False Alarm Rate)检测算法。针对双参数CFAR检测的结果中目标位置往往出现在切片图像边缘的问题,使用超像素块方法较好地校正了目标位置。进一步讨论了传统的SAR目标鉴别特征,并通过实验分析了传统SAR目标鉴别特征的不足之处。2、针对传统的SAR图像目标鉴别算法中,鉴别特征鲁棒性差、特征组合选取困难的问题,本文分别从三个角度对卷积神经网络结构进行改进,提升SAR图像目标鉴别的精度。首先,从融合全局和局部特征的角度出发,在网络末端提取全局和局部特征,通过拼接操作融合两种特征,达到使用互补特征提高鉴别精度的目的。其次,从整合深层特征和浅层特征的角度出发,整合前四个层的特征,与全连接层特征进行联合鉴别,缓解卷积和池化操作丢失图像信息的问题。然后,从加深网络深度以及有效利用图像空间和通道信息的角度出发,用残差网络模块代替原来的卷积层,同时在网络尾部加入Se Net(Squeeze-and-Excitation)变体模块,解决网络特征提取能力弱的问题。最后通过实验证明了方法的有效性。3、针对在SAR图像目标检测的实际应用中训练样本少,检测场景复杂的问题,受迁移学习启发,提出利用图像风格转换扩充数据集以及迁移在其他数据集上训练的模型参数的方法。利用Cycle GAN技术对MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集进行图像风格迁移,将迁移后的数据集用于Mini SAR图像目标检测。同时将MSTAR数据集上训练的YOLOV3(You Only Look Once)模型参数迁移到Mini SAR图像目标检测上,实现模型参数迁移。最后通过实验验证了方法的有效性。