合成孔径雷达的图像目标识别在军事侦察、地理测绘等方面有着巨大的用途,目标识别方法已经成为该领域重要的研究对象。本文以合成孔径雷达地面目标识别为背景,从模型的搭建、学习率的自适应变化、层间连接方式的优化以及目标函数的改进等方面,展开了对卷积神经网络建模及优化技术的研究。首先阐述了对SAR图像目标识别的研究背景和意义,并对当前SAR图像目标识别以及卷积神经网络的研究现状和应用情况进行了综述。通过生物神经的类比作为切入点对神经网络的建模进行了说明,以全连接层为例分析了网络的连接方式,并介绍了常见的数据预处理及权值初始化的方法。之后从卷积层、池化层、全连接层以及Softmax分类器等方面对卷积神经网络的具体结构进行了阐述,最后对后向传播算法进行了具体推导说明。基于卷积神经网络给出了SAR图像的识别方法。通过实验分析了网络深度、卷积核大小和卷积核数量对网络识别能力的影响,得到了较为合适的网络模型。之后结合自适应学习率算法提高了网络的收敛速度。提出了一种改进的基于多尺度卷积神经网络的方法,利用非对称矩形卷积核,多尺寸卷积核以及卷积层相邻等方式,对卷积神经网络中的卷积层进行改进,丰富了卷积层提取特征的多样性。之后采用Dropout算法解决了模型的过拟合问题,引入类别交叉熵,改进了后向传播算法。利用改进后的模型对SAR图像进行目标识别,实验证实了方法的适用性和优越性。最后对文章的主要工作进行了汇总,分析了研究中所存在的问题,并指出了下一步的研究方向。