随着SAR成像技术的发展,SAR图像的分辨率越来越高,目标的尺寸越来越大,目标所包含的形状、纹理、空间信息也越来越丰富,传统的针对低分辨率SAR图像的检测和分类方法受到了速度和精度上的挑战。近年来,深度神经网络以远超传统方法的性能得到了广泛的关注。针对SAR图像处理设计深度神经网络,提高SAR图像目标检测和分类的性能,是一个非常有意义的研究内容。在传统的SAR图像目标检测与分类方法以及目前快速发展的深度学习的基础上,本文提出了基于多尺度深度网络和视觉注意机制的高分辨SAR图像目标检测与分类,其中的主要工作如下:首先是基于视觉注意机制的SAR图像目标检测方法。该方法构建了一个全卷积神经网络进行目标显著性检测,并通过对显著图进行形态学处理得到最终的目标检测结果。与传统的目标检测方法相比,该方法利用训练数据中的先验信息提高了检测准确率,并通过全卷积的网络构造提高了计算效率。在MSTAR数据集上的实验表明,与OS-CFAR、谱残差等传统方法以及CNN、RPN等基于深度学习的方法相比,该方法检测速度快,且检测准确率和召回率更高。然后是基于可变形卷积残差网的SAR图像目标分类方法。该方法对深度残差网络进行了改进,使用可变形卷积核构建了一个基于可变形卷积残差模块的深度卷积神经网络模型DC-ResNet。与传统深度残差网络相比,该模型提取的SAR图像目标特征更加丰富和灵活,泛化性能更好。在MSTAR标准数据集上的实验表明,DC-ResNet模型的测试准确率高于CNN、残差网等深度神经网络模型。最后是基于多尺度深度网络的SAR图像目标分类方法。该方法针对DC-ResNet在MSTAR扩展数据集上泛化性能差的问题,提出了两种基于多尺度深度网络的SAR图像目标分类模型。第一种是通过多尺度卷积核深度融合实现的MCK-CNN,第二种是通过将CNN的部分卷积滤波器替换为Curvelet滤波器实现的MGA-CNN。与传统深度神经网络相比,多尺度深度网络结合了不同尺度上的特征,提高了模型的表示能力。在MSTAR扩展数据集上的实验表明,相比CNN、残差网、DC-ResNet等深度神经网络,多尺度深度网络的测试准确率更高,泛化性能更好。