飞机是遥感图像中重要的军用和民用目标,飞机的型号、数量等空间分布信息具有重要的应用价值。对飞机进行准确快速的侦察定位是获取信息战主动权的关键之一,为后续决策部署提供重要依据。SAR影像能穿透云雾,不受天气影响,是获取军事情报信息的重要来源之一。随着SAR影像分辨率不断上升,SAR影像的解译已经广泛应用于目标侦察、地形变化监测等领域。论文以SAR图像飞机目标的遥感侦察为研究对象,分别在检测和细粒度识别两方面展开研究,旨在解决当前在SAR图像飞机目标检测和识别过程中面临的漏检误检等问题。大量仿真实验和真实数据实验证明论文设计的方法在SAR飞机检测和识别中的价值。论文的主要工作如下:通过研究SAR系统的成像原理及噪声来源,分析了SAR图像飞机目标的几何特性、灰度特性以及强散射点分布特性,并以波音737为例分析了不同入射角和方位角下的SAR图像散射特性,为后续检测与识别算法的设计提供先验知识。针对SAR图像飞机目标检测过程中时常面临检测结果“不完整”、多尺度检测效果欠佳以及虚假目标检测过多的问题,论文提出了一种基于散射点特征增强的SAR图像飞机目标检测算法。该算法采用自适应融合方法捕获特征图之间的多尺度信息,利用级联Transformer的自注意力机制去提取散射点之间的关联特征,改善目标检测结果的完整性。同时采用上下文增强模块增强目标特征,降低周围地物对目标检测的干扰。大量实验结果验证了本文设计算法的有效性。针对SAR飞机细粒度识别样本缺乏以及不同成像条件下的散射分布特性差异较大的问题,论文提出了SAR图像仿真算法用来扩充不同入射角和方位角下的飞机样本,并在此基础上提出一种域自监督识别算法,提高SAR飞机细粒度识别效果。SAR图像仿真算法采用模型监督下的深度生成技术对各类型飞机进行SAR成像仿真,扩充了各个类别的SAR飞机样本数量。域自监督识别算法采用特征增强和抑制分支实现对特征的有效选择,提高不同类别飞机之间的差异性,同时采用域自监督融合模块来增强飞机类内特征一致性,提高SAR图像飞机细粒度识别性能。大量实验结果验证了本文设计的样本扩充算法和细粒度识别算法对提高SAR飞机细粒度识别性能的有效性。