合成孔径雷达(Synthetic Aperture Radar,SAR)的自动目标识别(Automatic Target Recognition,ATR)技术在典型军事目标识别和民用卫星遥感监视领域的重大利用价值已经使其成为了国内外相关研究的热门方向。SAR自身特殊的成像机制导致其生成图像受到相干斑噪声、透视收缩和顶底倒置的影响。这些问题得SAR图像的处理比一般光学图像更具挑战,相关研究进度也相对缓慢。本文采用深度学习技术,围绕SAR图像目标识别问题提出了一些新的解决思路。首先本文通过对公开库的SAR原始图像进行归一化等处理操作,简化后续的神经网络模型的运算。消化并吸收原有神经网络模型的优点和缺点,重新设计了一种适用于SAR图像识别的网络模型,吸取了原深度卷积模型的结构,优化了原有模型的参数,引入了超参数的设定。可以满足自动识别和分类的图像处理要求。通过实验验证,对于合成孔径雷达常见的相干噪声等,有良好的识别作用。对生成库的图像识别率达到了98.39%,取得了较高的识别精度。其次,针对SAR图像中目标检测问题,采用了主流的目标检测框架,考虑到车辆目标为小目标,同时地杂波背景较为复杂,选用了Faster R-CNN框架的SAR目标检测框架,结合VGG16网络,对MSTAR数据集进行标注、训练和测试。最后,形成一套具有一定实用意义的SAR图像ATR系统,并通过MSTAR数据库图像验证系统的有效性。由于整个过程不需要人工参与特征的选取,因此提高了目标识别的效率。