图像识别技术是当前研究的重点,有助于辅助理解人工智能基础技术。其中,合成孔径雷达(Synthetic Aperture Radar,SAR)图像广泛应用于城市监测、自然环境调查、军事目标侦察等各个领域。根据合成孔径雷达图像的成像特点,目前,基于SAR目标识别识别方法主要存在以下几个难点。一是有效的模型设计,体现在目标函数和代价函数的设计、超高维参数优化;二是模型泛化性能评估,如样本不足导致的模型过拟合问题以及整体模型的泛化能力;三是针对小样本问题,强判别能力特征的获取,原生特征的研究以及小样本数据下对模型性能的评估。本文引入小样本迁移学习,结合深度学习框架,针对小样本SAR目标识别任务,展开研究。主要研究问题概括如下:(1)基于训练数据不足引起的过拟合和小样本问题,本文结合深度学习方法,研究并提出数据扩增技术的轻量级合成孔径雷达图像识别方法。该方法提出的数据扩增技术,采用质心法获取SAR图像感兴趣区域(Region of Interest,ROI),通过逐度(Clock-wise)旋转技术满足深度学习样本训练要求,避免网络训练过程中过度拟合问题,并克服SAR图像数据不足的缺点;同时,本文设计的模型结构轻巧、简单,与传统的复杂网络模型相比,精度大大提高,设备存储需求减少,计算冗余降低。最后,探索不同激活函数在网络中的作用,丰富网络结构;研究不同样本数对深度学习网络性能的影响,并在公开数据集上取得比较好的性能。(2)受限于SAR数据训练样本挑战,提出一种联合正则化和迁移MS-CNN(Max-Slice Convolutional Neural Networks,MS-CNN)网络框架,采用ROI特征提取和数据扩增相结合的方法,对感兴趣SAR图像区域进行预处理,增强原始训练样本丰富性,获取准确感兴趣图像区域,有效扩展样本训练数据集。其次,结合MS-CNN框架,采用L~2正则化策略提取鲁棒性SAR图像特征,借鉴Dropout策略,解决深度学习训练产生的过拟合问题。最后,引入迁移学习理论,举一反三,提高SAR图像特征识别率,并对模型鲁棒性进行评估。该方法在公开数据集MSTAR和自建小样本数据集数据(1/2,1/3,1/4,1/8)库上取得较高的识别准确率,性能优于其它卷积神经网络模型。(3)针对SAR自动目标识别任务中小样本问题,提出基于特征迁移的双重优化损失的多级特征融合注意力网络(MFFA-SARNET)。首先,建立多级特征注意网络(MFFA),通过融合方法从SAR图像中获取更多的图像特征,采用注意力模块更多关注目标特征,减轻背景噪声对目标图像影响。其次,引入双重优化损失函数,进一步优化分类网络,提升特征鲁棒性和判别力。最后,利用迁移学习对变体和小样本分类任务进行验证评估。在不同配置的MSTAR数据库上,大量实验一致表明该网络的有效性和稳定性;在小样本条件下,模型也取得较好识别性能。