合成孔径雷达(Synthetic Aperture Radar,SAR)在军事和民生领域中发挥着重要的作用,它一直是雷达遥感领域的研究热点。随着深度学习技术的不断发展,SAR图像理解与解译的研究方法也得到新的启发。但是,基于深度学习的研究方法一般需要充足的带标签数据,而SAR图像却存在着资源昂贵,难以获得的问题,这限制了深度学习技术在SAR图像上的应用。因此,针对SAR图像的生成和扩充研究具有重要的研究意义。本文通过对技术现状研究和分析,尝试使用生成对抗网络进行SAR图像的生成与数据扩充,并探究生成数据对于SAR图像分类的意义。本文在生成对抗网络的基础上,分析并引入了SAR图像的特性,具体的工作包含以下方面:(1)基于分布和LBP-GAN的SAR图像生成方法。通过分析SAR图像不同于光学图像的成像机理与特性,对传统的生成对抗网络引入SAR图像信息。提出一种基于分布的生成方法,改进了生成对抗网络的噪声潜在空间,使其更符合SAR图像的统计分布信息。为了约束网络对于SAR图像纹理特征的学习,提出了一种LBP损失函数。两种方法分别从低级像素特征和高级结构特征捕获SAR图像特性,使得生成的图像更接近真实图像,且具有较好的生成效果和生成效率,有助于提高分类精度。(2)基于结构相似生成对抗网络的SAR图像生成方法。针对高分辨SAR图像生成结果模糊、出现噪声这一问题,通过改进网络结构,利用马尔可夫鉴别器网络学习高分辨SAR图像的区域细节特征和纹理特征,提出结构相似损失函数,保证生成图像与真实图像在结构上的相似度,通过结合金字塔的层级网络结构,进行单张SAR图像的内部混合模式学习,在整体上提高生成图像的效果。该方法进一步提高了生成图像与真实图像的相似度,同时基于生成方法扩充的数据提高了分类的准确度。(3)基于随机掩膜和图像补全的SAR图像生成方法。针对SAR图像生成多样性不足的问题,提出利用图像补全的思想进行图像生成。通过多元补全方法,利用样本间的混合模式学习,捕获SAR图像的整体结构特性,提高生成的稳定性。设计了随机掩膜的方法,从而适应SAR图像不同地物的结构,提高随机性,使结果多样化,扩充的数据具有抗噪性,有助于提高分类准确度。