合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动式微波成像探测器,由于其具备全天时、全天候的对地观测能力,因而广泛应用于军事（如战场侦查）与民用（如海洋监视）等领域。作为SAR图像解译的重要分支,SAR图像目标识别旨在从SAR图像中根据感兴趣目标的特征,对其进行定位与识别。近年来,得益于高分辨率SAR图像较以往更加容易获取,基于深度学习的SAR自动目标识别技术也取得了一定突破。相较于固定目标（如机场、港口、桥梁等）,飞机目标具有机动性强、运载能力高等特点。因此,在SAR图像中对飞机目标进行准确、快速的检测与识别可进一步感知敌方态势,为我方军事决策提供更全面的信息支撑。然而,由于SAR传感器成像机制的复杂性,周围背景干扰的严重性以及飞机结构的特殊性,对SAR图像飞机目标进行准确、快速的检测与识别依然面临严峻挑战。在检测方面,一方面,针对现有基于深度学习的算法对飞机目标离散化散射点表征能力弱,对目标局部与全局散射信息关联能力不足的问题,论文提出了金字塔注意力空洞卷积网络（Pyramid Attention Dilated Network,PADN）,其精心设计的注意力多分支空洞卷积模块可对目标非局部化的散射信息准确提取,所引入的卷积注意力模块则提升了对目标关键特征的判别能力。通过构建包含这两大模块的精细化语义特征金字塔,算法对飞机目标检测准确度得到改善。另一方面,针对现有基于深度学习的算法对飞机目标浅层特征利用率低,对目标散射特征与周围地物干扰判别能力弱,算法端到端处理效率较低等问题,论文提出了注意力特征融合网络（Attention Feature Fusion Network,AFFN）。通过精心设计包含有注意力双向特征融合模块与注意力传输连接模块的注意力特征融合策略并对网络结构进行优化,AFFN构建起包含有低、中、高三层精细化特征图的特征金字塔,强化了对飞机浅层语义特征的提取与表征能力。此外,通过引入包含有锚点细化模块与目标检测模块的目标多级检测机制,所提算法的目标检测准确度与处理速度进一步提升。在识别方面,针对经典CNN分类识别算法在有限标注样本条件下对目标特征判别能力弱化,现有基于度量学习的分类算法在数据集、目标类别不同配置条件下,对目标分类识别能力并未得到验证等问题,论文对现有基于度量与分类损失的目标识别算法进一步改进,设计了基于均值距离的困难样本挖掘策略,并以网络的分类支路直接对目标类别进行预测。论文重点探究了在MSTAR数据集以及自建实测飞机目标数据集多种配置条件下,改进算法对目标在隐空间的判别能力以及对目标的分类识别性能,并同时研究了不同困难样本挖掘策略、特征提取网络等对算法性能的影响。实验结果表明,与数据集相匹配的度量分类算法相比于经典CNN算法以及现有同类算法可显著提升在有限样本条件下对目标的判别能力。基于现有研究,为进一步提升算法对复杂环境大场景SAR图像飞机目标的检测与识别能力,通过对现有SAR图像飞机目标解译算法分析总结,论文提出了基于机场区域精细化提取与飞机目标粗细化检测识别相结合的一体化处理框架。该框架将SAR图像灰度特征与卷积神经网络的语义特征有效结合。首先采用基于卷积神经网络的算法对机场与飞机目标初步检测与识别,随后采用基于SAR图像灰度特征所提取的机场掩膜对飞机目标粗检测与识别结果精细化处理,以有效滤除虚警目标。为提高运行效率,降低计算冗余度,本框架以坐标运算代替非必要的矩阵运算并对处理流程合理优化,较现有算法提升了对大场景SAR图像飞机目标的一体化检测识别能力。