合成孔径雷达(Synthetic Aperture Radar,SAR)成像受天气等自然条件的影响较小,能对识别的目标进行全天候、全天时的实时检测,被广泛应用于军事侦擦和地理测绘等多个领域中。提高SAR图像目标识别的精度与速度也成为目前研究的热点之一。近年来深度学习在目标识别方面取得了非常显著的成绩,也为SAR图像目标识别提供了新的思路。本文在了解SAR成像特性的基础上,分析了深度学习中全卷积网络(Fully Convolutional Networks,FCN)框架,将区域的全卷积网络(Region-based Fully Convolutional Networks,R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。本文主要内容包含两个方面。第一本文的数据来自MATSR数据集,其是一个公开的SAR图像数据集。本文从中选取五种SAR图像类型作为实验数据,雷达工作俯仰角为17的目标图像数据作为训练集,训练集总数为1495张,不满足深度学习网络训练要求。为此本文在分析SAR图像成像特性的基础上,研究了幂律变换、对数变换以及Imadjust函数变换三种图像增强方法,并将其应用到SAR图像中,将原始训练数据集的数量扩充到原来的4倍,进而满足深度学习训练。第二分析了R-CNN、Fast R-CNN、Faster R-CNN以及R-FCN几种网络模型,建立基于R-FCN模型的SAR图像目标识别方法。针对构建的数据集的数量较少和数据相似度较高的缺点,选取迁移学习的方式训练RFCN模型,提出了一种基于迁移学习的R-FCN模型的SAR图像目标识别算法。用建立好的扩充训练集对网络进行训练,用雷达工作俯仰角为15的目标图像数据作为测试集对网络进行测试。通过对三种网络测试结果对比分析,本文提出的基于迁移学习的R-FCN网络模型对SAR图像具有更高的识别效果。