目标检测技术即在指定的图像或者视频中提取实例目标的位置并对其进行识别,是目前计算机视觉领域的重要研究方向,同时也应用于诸如行人检测,车辆监控,人脸识别等多个领域。目前,基于深度学习的SAR图像目标检测具有数据集难以获取与标记,同时没有很好的对目标周围的环境信息进行利用的问题。因此,本文的主要研究目标为使用模拟合成数据集的方法,并提出能有效利用环境信息的目标检测模型,有效的解决上述问题同时提高模型的检测准确率。首先,针对SAR图像较难获取并且具有一定的解译难度的问题,本文使用区域生长算法对MSTAR数据集中的切片目标进行图像分割,取出其中的主要目标与阴影区域,接着按一定的分布规律替换目标场景中的像素点,完成带目标场景数据集构建。在此基础上,考虑到SAR图像的特征,系列图像中的目标尺寸变化较小,可以将基于候选框的目标检测模型中的候选框的大小固定,并对模型进行对应的改进,经实验验证该操作能有效降低网络的测试时间。随后,针对于锚点约束的目标检测网络结果中虚警较多的问题,本文对环境中的易误判元素进行分析,依次使用图像的统计信息,基于机器学习的信息处理模型,基于深度学习的信息处理模型的流程对锚点约束的目标检测模型的验证结果集进行后处理,测试各个方法的性能,经实验验证简单卷积神经网络能较好地降低目标检测模型的虚警个数。