合成孔径雷达（SAR）具有全天时、全天候、大范围观测成像的能力,在国民经济和国防军事领域的应用中具有独特的优势。然而SAR的电磁成像机理与人类视觉系统的成像机理有着本质差异,导致对SAR图像的认知理解与解译应用非常困难。深度学习近年来已成功运用于SAR图像智能解译,并显著超越了传统方法的性能,但其内部工作机理不透明且缺乏可解释性,限制了其进一步发展。通过建立具备可解释性的SAR图像解译模型,提取SAR图像中更高级的部件级语义特征,对提高SAR图像的智能解译能力具有重要意义。本文从人工智能可解释性的角度出发,利用知识的嵌入与注意力机制两种方法对车辆SAR图像的部件解译进行研究,并通过仿真数据和实测数据验证部件解译算法的有效性。论文主要工作与创新点如下:1.由于实测SAR图像数据获取成本大、耗时长,为了满足本文的实验数据需求,设计一套基于FEKO软件的SAR图像仿真方法,大大提高获取SAR图像数据的效率。同时,利用所述仿真方法对简单标准体的雷达散射截面积进行计算分析,验证仿真方法的准确性。并在此基础上构建车辆中三种部件的仿真SAR图像数据集,搭建卷积神经网络模型对此数据集进行分类识别,三类部件的识别率均可达98%以上,验证了部件级仿真SAR图像的可分性,为后续研究SAR目标图像中部件的解译奠定基础。2.为了对车辆中单个部件的语义可解释性进行研究,提出嵌入语义信息的R-VAE部件解译模型。首先将残差单元引入传统变分自编码器（VAE）中以增强模型特征拟合能力并加快模型收敛速度;然后将部件语义信息与模型中的隐变量结合,使其参与训练以指导模型对部件特征进行学习,同时对模型网络结构及其损失函数进行改进,以获取部件的解译结果。最后分别在仿真数据和实测数据上对模型的部件解译性能进行验证,实验表明,嵌入语义信息的R-VAE部件解译模型能对SAR图像中车辆的部件进行有效解译,解译正确率可达97%以上。3.为了充分利用履带-炮管组合部件的强电磁散射特性,实现组合部件的解译,提出基于残差注意力机制的部件解译模型VGG-Attention。该模型由改进后的VGG网络与残差注意力模块结合得到,在训练过程中,模型会根据每个特征元素对解译任务的贡献程度给其分配不同的注意力权重,从而不断将注意力聚焦于组合部件特征,实现对履带-炮管组合部件的整体解译。实验表明,该模型在扩展工作条件（EOC）和标准工作条件（SOC）下均能有效对组合部件进行解译,且有效提升了对大俯仰角SAR图像的解译能力。