合成孔径雷达（SAR）广泛应用于军事等各领域,SAR图像的目标识别具有研究与实际应用价值。然而SAR图像目标识别技术虽经过多年研究取得了一定成就,但在复杂的实战环境下,仍会因SAR图像的数据分布和应用特点受到很大的限制。在实际应用中,受不确定环境的影响,缺少足够的采样率和驻留时间获取相应目标的大量样本,对于非合作目标的数据获取就更难,这导致数据变化较为单一,非合作目标数量较少,这使得数据呈现长尾分布。由于长尾分布中尾部类别样本数量较少且缺少多样性,容易导致模型过拟合、泛化性能差的问题。本文围绕长尾数据分布下SAR图像目标识别问题展开研究。首先,本文针对SAR图像数据分布不均衡导致模型容易过拟合、泛化能力差的问题,提出了基于解耦特征表示与分类器的SAR图像目标识别方法,该方法将模型学习分成两个阶段,表征学习和分类器学习,并提出均衡采样的方法和四种不同的分类器学习策略。通过均衡采样和解耦表征学习和分类器的方法,提高了识别的准确率和模型的泛化能力。其次,本文从SAR图像的标签信息的“价值”视角出发,提出由于数据不均衡分布,使得标签呈现长尾分布的问题,针对该现象本文提出了基于对比学习的SAR图像目标识别算法,且将模型的学习分为对比学习阶段和分类器学习阶段。在基于自监督对比学习的SAR图像目标识别方法中,首先进行自监督预训练,抛弃标签信息,更加全面地提取特征并保存,而后利用第一阶段的特征表示和均衡采样的方式进行分类器训练,该方法很好地改善了模型标签偏好问题。在基于弱监督对比学习的SAR图像目标识别算法中,引入标签的类别信息,使得模型更好地提取类别特征,而后进行分类器训练。最后,将本文所提出的算法在长尾分布的SAR数据集上进行评估,设置不同类别的实验进行验证,实验表明,本文所提出的算法在长尾数据分布下的SAR图像目标识别任务上取得显著的效果。