自合成孔径雷达问世以来，对 SAR 图像的研究便一直深受电磁领域相关学者的关注。受限于真实 SAR 图像的采集方式，在实际操作中一般使用电磁仿真的方法来获得大量的 SAR 图像以供研究使用。但是传统的电磁仿真方法往往包含以下两个不足：一是算法本身难以完美的刻画真实环境中存在的各种不确定的随机性以及求解过程中可能存在的近似处理，这些都会导致仿真得到的 SAR 图像与实测数据的相似度不高，特征差异大。二是传统的电磁仿真方法，每次计算仿真都需要耗费大量的时间和计算资源，以上两种不足都极大地限制了电磁仿真SAR图像的进一步应用。
　　近些年来，随着人工智能领域的不断突破，神经网络技术也得到了飞速的发展。由于训练好的神经网络在对数据特征进行抽取和处理时具有良好的效果和极高的效率，因而被广泛的应用于图像的处理优化和仿真生成领域。本文基于神经网络的应用特点，针对以上两个电磁仿真 SAR 图像中存在的不足之处进行了相关的研究，主要包含以下三方面工作：
　　(1) 较为系统的对比分析了仿真SAR图像数据和实测SAR图像数据之间的特性差异。同时，还对神经网络的基本结构以及训练算法做出了简要的推导和论证，为本文的工作奠定了算法模型基础。
　　(2) 为了解决仿真数据与实测数据之间特征差异大的问题，本文采用了循环生成对抗网络技术来对仿真数据进行特征优化处理。该网络以仿真数据作为输入，在对仿真数据进行特征优化处理之后，可以输出具有高逼真度的SAR图像。相关实验结果显示，经过该网络处理优化之后，仿真 SAR 图像的识别准确率可由29.89%提升至80.33%，极大地提升了仿真数据与实测数据的相似性。
　　(3) 为了解决电磁仿真耗费大量的计算和时间资源问题，本文采用了WGAN-gp和LSGAN这两种神经网络模型来直接生成SAR图像。最终的实验结果显示，这两种网络模型可以将仿真时间缩短为弹跳射线法的11%左右，大幅提升了SAR图像的仿真效率。
　　综上所述，本文从电磁仿真 SAR 图像中存在的实际问题出发，采用不同的神经网络模型去解决相对应的问题，具有较大的理论研究以及实际工程意义。