合成孔径雷达(Synthetic Aperture Radar,SAR)作为对地观测的重要工具,已经历经了六十多年的发展和考验。其全天时全天候的特点使其具有极广的应用场景,而SAR图像地表飞机目标检测就是其中一个重要的应用,对地表飞机目标的检测不论在军事领域还是民用领域都有重要意义。随着合成孔径雷达相关技术的发展,获取SAR图像手段越来越丰富,得到的图像分辨率也越来越高,这使得在SAR图像处理领域使用深度学习技术成为可能。本文分析了 SAR图像地表飞机目标检测的问题,引入光学图像目标检测相关技术,结合SAR图像的特点提出了更有效的飞机目标检测方法。本文的主要内容体现在以下四个方面:首先,分析总结了光学图像和SAR图像目标检测技术,梳理出了典型目标检测算法的基本框架。基本框架包括:1)候选区域提取;2)特征提取;3)分类器分类。光学图像和SAR图像目标检测在候选区域提取和特征提取方面,使用的方法差异较大,本论文对这些方法进行了简单介绍。而后对SAR图像地表飞机目标检测任务进行了认真分析,总结出其存在的问题:1)SAR图像散射机理引起组成飞机目标的强散射点被分隔开,即稀疏性;2)SAR图像散射机理以及飞机目标本身的特殊性造成了散射情况的多种多样,即多样性。针对稀疏性,提出自适应部件选择的改进DPM算法。再考虑到多样性,提出了基于部件的多层并行网络目标检测算法。其次,从基于部件的目标检测算法和基于网络的目标检测算法两个方面,介绍光学图像目标检测相关技术。主要介绍了 DPM(Deformable Part Based Model)算法和YOLO(You Only Look Once)算法,讲解了关键思想以及训练检测流程,并结合SAR图像本身特点分析了这两种算法的优劣。再次,介绍了本文提出的两种算法的具体思想,详细介绍了各自的设计原理、训练和检测流程。自适应部件选择的改进DPM算法是利用部件信息解决SAR图像中飞机目标散射点稀疏性的问题,并针对原本DPM算法存在的问题,结合SAR图像的特点以及地表飞机目标检测任务的特殊性进行了算法改进。基于部件的多层并行网络目标检测算法引入了深度学习中的深层特征和多层网络结构来解决SAR图像中飞机目标散射情况多样性和散射点稀疏性的问题,完善了部件网络和整体网络,提出一种分层的部件和整体检测识别网络框架,特别是其中的判决约束层,进一步提高了 SAR图像飞机目标检测精度,降低了飞机目标虚警率。最后,通过对比试验,说明了本文所提出的方法有效性,适应部件选择的改进DPM算法一定程度上提升了检测精度,但基于部件的多层并行网络目标检测算法检测精度更高,虚警率更低。