合成孔径雷达自动目标识别(Synthetic Aperture Radar Automatic Target Recognition,SAR ATR)可以在短时间内从大幅SAR图像中准确定位高价值目标,提取分类识别特征并给出类别预测,在军事和民用领域都有重要的应用价值,已成为国内外研究的热点问题。本文围绕深度神经网络SAR目标识别问题,重点研究了基于神经网络集成和深度迁移学习的SAR目标识别方法。主要内容为:1.针对单个网络信息挖掘能力有限,提出了异构卷积神经网络集成SAR目标识别方法。通过构建多个异构网络对SAR图像进行特征学习,增强了网络对分类识别信息的提取能力,降低了网络训练陷入局部最优的风险,有效提升了识别的准确性和稳定性。2.针对小样本下网络识别能力下降的问题,研究了卷积神经网络微调SAR目标识别方法。利用源域预训练模型的参数进行网络初始化,缓解了训练样本不足导致的网络泛化能力低下,有效提升了网络的训练效率和目标识别能力。3.针对源域数据与SAR图像数据差异较大时迁移效率低下的问题,对卷积神经网络微调SAR目标识别方法进行改进,提出了域对抗微调SAR目标识别方法。利用域对抗的思想对预训练模型的参数进行调整,充分发掘源域目标图像与SAR目标图像的公共特征空间,进一步提升了小样本情况下的SAR目标识别性能。以上研究内容均通过仿真实验验证其可行性,能够实现准确高效的SAR目标识别。