合成孔径雷达（Synthetic Aperture Radar,SAR）是利用微波进行感知的主动式传感器,其不受天气、光照等条件的限制,可对感兴趣目标进行全天时、全天候的观测,在军事和民用领域发挥了重要作用。飞机目标是战场侦察与监视的重要对象,具有高价值和时敏变化等特点,如何高效、准确地检测、识别飞机目标是SAR图像目标解译领域的重要课题,也是难点之一。当前,随着SAR传感器分辨率达到亚米级,基于高分辨率SAR图像的飞机目标识别已经从单纯的目标检测定位逐渐发展到目标具体类别和型号的识别,但传统方法难以解决此问题。近年来,随着深度学习被引入到SAR图像目标解译领域,目标检测识别性能相比于传统方法有了显著提升。基于深度学习的方法,开展SAR图像飞机目标检测识别技术的研究对于实现飞机目标智能化解译具有重要意义。本文面向大场景高分辨率SAR图像飞机目标检测与分类识别的问题,结合深度学习的方法开展了较为系统的研究,具体包括SAR图像机场目标检测、SAR图像飞机目标检测与SAR图像飞机目标识别,实现了完整的SAR图像飞机目标自动识别流程。主要工作包含以下几个方面:（1）在SAR图像机场目标检测方面,针对当前基于线段检测器（Line Segment Detector,LSD）和基于Faster R-CNN两种典型机场检测算法存在的问题,建立了基于改进的Faster R-CNN的大场景SAR图像机场目标分级检测模型。该模型首先利用优化的长直线检测器粗略检测出图像的机场候选区域,然后利用改进的Faster R-CNN进行虚警去除和精确定位。通过改进池化尺度和锚点尺寸,使Faster R-CNN更适用于长直线型机场目标检测。这个模型巧妙地避免了因大场景图像直接输入卷积网络带来的信息损失问题,同时免去了传统方法繁杂的调参步骤,实现了机场目标快速而精准的定位,为后续飞机目标检测缩小了搜索范围,有助去除非机场区域虚警。（2）在SAR图像飞机目标检测方面,由于弱小飞机目标的漏检是影响检测性能的主要因素,针对性地建立了基于联合注意力的Retina Net网络检测模型。一方面,利用Retina Net网络的焦点损失函数,使网络更加关注难分样本,有效解决飞机目标检测网络里存在的难易样本失衡问题。另一方面,通过引入空间注意力和通道注意力的联合机制,突出图像中的有用特征,抑制无关信息,进一步加强网络性能;同时加入跨级特征融合,增强网络对多尺度信息的利用,强化网络对特征的描述能力。基于高分三号数据的对比实验证明,本文算法能在多种复杂场景下,实现SAR图像多种飞机目标的准确检测,具有很强的鲁棒性。（3）在SAR图像飞机目标识别方面,针对飞机目标样本有限的问题,提出了基于深度特征和传统特征融合的SAR图像飞机识别算法。本文首先利用深度残差网络提取目标的深度特征,同时,针对基于线性卷积的网络对特征描述不够丰富的问题,通过在残差网络中加入二阶项响应（Second-Order Response Transform,SORT）以获取目标高阶信息,增强网络对复杂非线性特征空间的拟合;然后基于KL离散变换等方法提取目标几何特征,利用深度特征和几何特征共同训练SVM分类器,实现对飞机目标的分类识别。实验结果证明,本文算法比基于深度特征或基于几何特征的分类算法都有一定提升,实现了少样本情况下的高精度飞机目标分类识别。