在SAR目标识别研究中,不得不考虑的就是数据集的选择以及如何获取充足的SAR图像数据。然而,现有数据集通用性低,SAR图像数据因国内卫星采集SAR图像时受轨道、空域的等因素限制,导致很多现有数据集内的图像在观察角度、分辨率等方面是离散且缺失的,甚至涉保密范畴的军事目标很多无法获取。这些因素极大程度的限制了目标识别的发展。本文以SAR图像数据集的构建与扩容方法为主题展开研究。主要内容包括SAR图像数据分集方案的研究,SAR图像数据的扩容方法的研究。本课题的主要工作与贡献有:首先,通过总结传统SAR图像数据集的应用需求,分析目标类别的选择,确定目标选择方案,提出了一个科学、规范的数据集分集规则。在提出的图像数据分集方式的基础上,通过对图像目标类别选择、数据的预处理、分类、标注、多源辅助数据的添加几个部分的研究,最终确立了一种尽可能接近实际应用、具有不同覆盖范围、有条理且带标注的大规模SAR图像数据集分集方案。其次,为了可以合理地弥补现有数据集的缺陷,丰富补充SAR数据,本文介绍并分析了目前主流的SAR图像数据扩容方法。着重研究了基于深度卷积生成对抗网络的SAR图像生成方法。通过与真实图像对比一系列客观参数来初步评价生成图像的质量。并计算真实图像与生成图像的灰度直方图、梯度直方图的相似性,进一步证明生成对抗网络在SAR图像数据生成上的潜力。最后,为了解决深度卷积生成对抗网络难于收敛,模式易崩溃的不稳定性问题,同时丰富完善已获取的SAR图像的角度信息,引入了改进的沃瑟斯坦生成对抗网络,提出了一个基于改进的沃瑟斯坦生成对抗网络的可用于SAR方位角图像筛选的模型。通过与真实样本对比一系列客观参数来评价生成样本的质量。并通过识别实验,验证扩充后的SAR图像图像的有效性,确认此方法在一定程度上可以丰富完善现有的SAR图像数据。