合成孔径雷达(Synthetic Aperture Radar,SAR)工作受天气影响较小,可以全天时工作且对观测目标有一定穿透能力。SAR一经问世就成为一种不可替代的遥感信息获取手段。目前,SAR已被广泛的应用于国防和国民经济领域。近年来SAR成像技术不断成熟,由SAR系统获得的数据不断增多,成像质量也越来越高。如何从海量数据中快速的提取出感兴趣目标,是目前迫切需要解决的问题。SAR图像解译是近年来的研究热点,SAR目标识别技术是SAR图像解译的重要环节。SAR目标识别技术主要包括数据预处理、特征提取和分类器设计三个部分。如何设计和提取出目标的判别性特征是SAR目标识别技术的主要难点之一。近些年兴起的深度学习技术具有从海量数据中自动地提取层次化特征的优点,该技术已经在图像识别领域取得了一系列优异的成果。本篇论文结合现代深度学习技术,提出了一种基于改进的卷积神经网络模型的SAR目标识别方法。本文的主要工作包括以下几个方面:首先,本文分析了卷积神经网络的工作原理,在此基础上,深入研究了卷积神经网络的核心结构。特征提取是SAR目标识别的重要步骤,传统的特征提取方法往往根据专业知识手工设计,这一过程是十分困难和耗费时间的,本文利用卷积神经网络可以自动地提取图像层次化特征的优点,设计出一种适用于SAR图像的目标识别方法。其次,由于SAR图像数据集偏少,直接应用传统的卷积神经网络算法会产生严重的过拟合问题。本文在卷积模型中引入Re LU激活函数、L2正则化、批量归一化以及Dropout等现代深度学习技术,并使用4种适用于SAR图像的数据增强方法,有效地抑制了过拟合问题。最后,在MSTAR实测数据集和OKTAL仿真数据集验证本文算法的有效性,并使用扩充测试集验证模型对目标镜像、位移、旋转以及噪声的敏感程度。实验结果表明,本文提出的算法在两个数据集上都取得了较高的识别正确率,并且模型对目标镜像、位移、旋转和噪声不敏感。