合成孔径雷达(SAR)目标识别即从包含背景杂波的干扰信息中提取有效目标特征,并对目标分类识别,该技术在军事打击和情报获取等领域有着广泛的应用。随着SAR图像分辨率的提升,目标识别难度逐渐增大,如何从海量SAR图像中快速、准确地对目标分类识别,成为SAR研究领域的热点。近年来,卷积神经网络(CNN)因其出色的特征提取能力已被很多学者应用于SAR目标识别。然而,CNN网络复杂度的提升导致中央处理器(CPU)已很难完成大规模计算,实时进行目标识别更是难上加难;图形处理器(GPU)加速性能突出但功耗太大,不能满足工程应用;相比之下,现场可编程门阵列(FPGA)具有低功耗、高并行度和开发灵活等特点,被视为最具潜力的硬件加速平台。基于以上背景,本文主要研究基于CNN的SAR目标识别方法,并以FPGA作为硬件加速平台,设计面向SAR目标识别的CNN加速器。首先,针对SAR目标识别特定应用,为了提高识别准确率,对传统CNN网络进行改进,设计了一种基于全卷积神经网络的SAR目标识别方法;同时扩充运动和静止目标获取与识别(MSTAR)数据集,以避免网络过拟合现象的产生。通过网络可视化分析、准确率曲线、损失变化曲线和传统CNN网络的对比实验,验证本文方法的有效性。其次,针对SAR多目标识别问题,引入全卷积神经网络结构,对Faster-RCNN中的CNN特征提取器进行改进;为了解决SAR数据稀缺问题,对多目标数据集进行扩充,并制作VOC2007标准数据集对网络进行训练测试。通过分析在不同背景下多种类型目标的识别结果,验证本文方法的有效性。最后,针对CPU平台上SAR目标识别运行效率较低问题,根据改进CNN网络并行结构特点,以FPGA-ZYNQ UltraScale+MPSoC为硬件加速平台,采用Verilog/C语言联合设计与软硬件协同设计方法,完成加速器各模块设计。为了进一步提高加速器性能,本文通过以下几个方面进行优化设计:第一,以二维卷积运算单元为基础,设计并行度为16的卷积矢量运算单元,提高卷积模块的运算效率;第二,设计双倍速率同步动态随机存储器(DDR)缓存结构,以提高数据缓存效率;第三,使用C语言对Softmax分类器进行设计,提高分类精度,并提出四种优化方法实现最小延时。之后,分别从加速性能、识别效率、资源利用率及功耗方面分析FPGA加速器性能,并通过与其它加速方案对比,验证本文设计FPGA加速器的高效性。