近年来,随着合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术的迅速发展和逐步成熟,SAR图像数据量越来越大,分辨率也越来越高。相比而言,SAR图像目标检测与识别技术的发展速度要远逊于SAR系统本身的发展速度。这种情况下,如何从海量的SAR图像中快速准确地检测识别出目标一直是SAR图像解译领域的重点和难点,具有非常重要的学术意义和工程应用价值。近年来,卷积神经网络（Convolutional Neural Network,CNN）凭借其对数据特征自适应挖掘与提取的优势,迅速发展成为SAR目标检测与识别领域的热点技术之一,并由此衍生出了多种扩展算法,极大提升了SAR目标检测与识别的速度和准确度。该网络可以对输入图像完成从浅层特征到深层特征的全方位提取,从而满足多方面的任务需求。基于卷积神经网络的单次多框检测算法（Single Shot multibox Detector,SSD）是一种最近兴起的大场景目标经典检测与识别算法,目前已经在光学图像检测识别上得到了较为充分的验证。本文针对SAR图像地面目标,提出了一种基于快速全卷积神经网络的SAR目标分类算法,并基于此对传统的SSD算法进行了改进设计,使其可以更为高效地用于大场景SAR目标的检测与识别。总体而言,论文的主要工作和贡献可以总结为以下两点:1、针对SAR目标分类问题,首先通过对现有SAR图像数据进行平移、加噪、旋转、镜像等数据扩充方式,合成了一个相对合适的训练集。然后,搭建了一个全卷神经网络目标分类模型,包含3个用于特征提取的卷积层,3个用于下采样的卷积层,2个全连接层。相较传统CNN网络,该模型能够在保持测试准确率的前提下提升训练效率,仿真结果表明,在相同网络深度情况下,训练时间减少了2.75倍,判别准确率达到了99.63%。2、针对SAR目标检测与识别问题,本文在传统S S D算法基础上,通过全卷积神经网络加强了模型的浅层特征提取能力;利用M ST AR杂波图像与MSTAR目标切片合成具有复杂背景并包含多个车辆目标的SAR图像数据集,并采用分割输入的方法,提高了SSD算法对小目标的识别准确率;该方法相比于传统的SSD算法,对大场景SAR图像目标的检测效果明显增强,检测准确率提高了6.27个百分点。