合成孔径雷达（SAR）由于其全天时、全天候的工作特性,已被广泛应用于侦察探测、地质勘探、灾害检测和公共区域安检等领域。作为SAR图像分析和解译的基础问题,SAR目标分类与检测问题的研究具有重要意义。鉴于深度学习方法在计算机视觉领域取得了巨大成功,本文开展基于深度学习的SAR目标分类与检测方法的研究。近年来,基于监督学习的深度网络在SAR目标分类与检测任务中被广泛应用并取得了突出的效果。本文围绕SAR地面目标分类、SAR舰船分类、SAR舰船检测和SAR安检异物检测等任务,针对深度学习网络在SAR目标分类和检测中存在的标签样本依赖问题和SAR目标分布特性问题,从网络设计和非确知标签下网络训练等方面开展基于深度学习的SAR目标分类与检测问题的研究。本文主要研究内容和创新工作包括:（1）分析了非确知标签对深度SAR目标分类网络训练的影响,指出深度监督学习对标签样本的依赖问题。非确知标签包含标签有限和标签有误两种情况。本文分别针对以上两种情形进行研究,创新工作罗列如下:·针对标签有限问题,本文提出一种基于Batch均衡和扩增一致性约束的SAR目标分类半监督学习框架,实现对无标签样本的有效利用,从而提升训练网络的分类精度。其中Batch均衡可平衡训练批次中标签样本和无标签样本数量来确保监督学习在训练中的主导作用。统一扩增设计可保证网络训练中任意批量中标签样本和无标签样本使用相同扩增方式,使网络学习到变换不变性特征。在多种SAR目标分类数据集上的实验证明了所提半监督框架可在有限标签情况下训练网络达到全部标签样本监督学习训练下的分类效果。·针对标签有误问题,本文提出一种基于损失函数曲线拟合的标签噪声建模和标签纠正方法,实现在错误标签下有效训练网络且同时定位错误标签的功能。本文将无监督聚类方法用于标签建模,利用损失函数曲线有效区分噪声标签和正确标签,并利用正确标签训练网络以达到噪声标签纠正的目的。实验表明,所提方法可在40%比例噪声标签情形下纠正97.9%噪声标签,同时训练分类网络达到99.2%的分类精度。（2）研究了基于SAR目标分布特性的深度目标检测网络设计问题,包含SAR舰船检测和SAR安检异物检测两个重要任务。本文分别对不同目标分布特性进行研究,创新工作如下:·利用SAR毫米波安检异物检测任务中目标分布的规律性,提出一种基于归一化累积图的毫米波异物检测网络。归一化累积图可以揭示经常出现的安检异物目标的位置,同时在计算置信度损失时为不同位置提供不同权重。通过将归一化累积图引入YOLO-v2目标检测网络,在毫米波图像数据集中进行了实验。实验结果表明,利用基于归一化累积图的目标检测网络可将检测结果均值平均精度（m AP）提高4.43%。归一化累积图在设计中只与置信度分支有关,因此在检测网络设计中易于实现;同时保持了损失函数的数值稳定性,无需调整回归损失、置信度损失和分类损失在总损失中所占权重。·考虑SAR舰船目标检测任务中目标分布的多样性,针对目标分布多样性带来的锚框设置复杂问题,提出一种无滑窗无锚框下基于反卷积的候选边框生成机制,避免了锚框机制超参数过多和调试困难的问题,实现了精简且精确的候选边框生成。进一步,针对反卷积候选边框生成中对于邻近目标边缘不敏感等问题,利用基于中心点的目标检测网络进一步改进了无锚框目标检测网络的检测性能。在SAR舰船数据集中的实验证明了所研究无锚框SAR目标检测方法能够在获取精简候选边框的同时进行快速精确的目标检测。（3）研究复杂标签下SAR目标检测网络训练方法。目标检测网络标注的复杂性使得非确知标签条件下SAR目标检测网络训练更加困难,具体表现在标签赋值困难和标签错误类型复杂。本文以前述章节中研究内容为基础,研究复杂标签下SAR目标检测网络训练问题。·对于标注有限条件下SAR目标检测问题,考虑检测标注复杂性,采用联合标签传播和一致性扩增约束的半监督学习方法,利用无标签图像样本参与网络训练以提升标签有限条件下SAR目标检测网络的检测性能。·对于标注有误条件下SAR目标检测问题,考虑检测标签错误情形的多样性和复杂性,采用区域标签建模与纠正方法,判断检测标注中错误标签位置和类别并加以纠正,从而减少错误标签对目标检测网络训练的影响。本文研究基于深度学习的SAR目标分类与检测技术,针对深度网络标签依赖问题和SAR目标分布特性问题,在标签非确知条件下设计半监督学习框架和标签噪声纠正方法并考虑SAR目标分布特性设计不同目标检测网络结构,可有效提升标签非确知条件下深度分类检测网络的训练效果,提高对不同SAR目标的检测精度,对于SAR图像分析和解译等任务具有重要意义。