合成孔径雷达（Synthetic aperture radar,SAR）图像中相干斑噪声的存在严重地影响了人们对图像信息的读取以及后期SAR图像的应用,比如图像识别和图像分割等方面。因此SAR图像的去噪工作一直都是图像处理过程中研究的重点。其次在对SAR图像进行目标识别的过程中,除去噪声的影响,还有算法本身的影响,比如精度以及运算量的问题。传统SAR图像识别是由众多的子系统组成的,效率低下,而基于深度学习的目标识别算法的运算量又比较大,因此,本文对目标识别的神经网络进行修改,缩短了神经网络的训练时间,提高了小目标的识别精度。本文主要进行SAR图像去噪以及目标识别方面的研究,主要的工作内容如下:（1）在SAR图像去噪领域,针对MSTAR数据集图像的特点,提出了一种分区域SAR图像去噪的算法。该算法首先分析了MSTAR数据集图像是单目标图像的特性,结合边缘提取,膨胀腐蚀以及孔洞填充算法提出了基于单目标图像的分区域算法;然后讨论分析了不同区域噪声的特点,以非局部均值滤波算法为基础,结合邻域滤波提出了新的滤波方式。最终的实验验证了本算法的有效性。（2）在对单目标SAR图像进行去噪之后,针对多目标、大场景的SAR图像,提出了一种分区域去噪算法。首先对SAR图像进行统计建模,得到与原图像最拟合的分布曲线。然后通过概率曲线得到了针对原图的概率统计图,通过在概率统计图中计算均值以及变差系数实现概率统计图的分区域处理,并将分区域结果映射到原图中。最后结合原图和概率统计分布图,在非局部均值滤波算法的基础上,提出了新的滤波函数,最终的去噪图以及各项指标验证了算法的有效性。（3）对于SAR图像的目标识别算法,针对YOLOV3算法运算量大以及特征提取单一的问题,提出了一种新的特征提取网络。首先结合Ghost网络的思想提出了新的卷积模块,该模块可以通过设置参数实现卷积运算量的降低;其次参考了Google Net网络中Inception模块的设计理念以及残差网络的结构,设计出能够保留更多细节的Inception模块。最后在整个网络中加入了注意力机制,避免卷积过程中信息的丢失。