合成孔径雷达（Synthetic APerture Radar, SAR）目前已经广泛应用于军事上的目标探测和民用的雷达主动遥感等领域。开展目标检测技术的研究，突破SAR图像半自动、自动解译技术瓶颈，已经成为国家战略侦察、监视和预警以及精确打击武器型号发展中的迫切需求。近年来合成孔径雷达在许多方面得到了应用，其技术能够用来检测杂波背景中的感兴趣目标。本文对“基于运动和静止目标的捕获与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）”数据库和Sandia数据库进行了深入研究。首先，对国内外SAR图像统计特性的发展和目标检测现状进行了较深入的了解和分析，确立了目前在目标检测方向所面临的问题，即如何在大幅图像中复杂背景下进行所需目标的检测。其次，对SAR图像的统计特性用两种数据库，从K-S和KL两种指标上可以得到在不同背景下选择何种统计模型更为有效。分别给出了Gamma分布、Rician分布、K分布、Log Normal分布、G0分布和Weibull分布适用的背景，以及存在的局限性。接着，在上述的研究分析的基础上，提出了基于统计模型的自动筛选智能目标聚类SAF-CFAR算法(Satitics Auto Filter-CFAR)。本文的算法是在不同背景的统计特性的基础上确定分布模型确定检测区域，并结合K-S和KL以及失配判断的指标，重新计算局部阈值用自动筛选检测器(Auto Filter-CFAR，AF-CFAR)进行目标检测，可以得到更准确的多目标检测结果。本算法可以排除其余的非所需目标，对大幅图像复杂背景下多种目标同时存在的情况下，进行目标检测有很重要的意义。最后，为了在大幅图像复杂地形下完整可靠目标信息和防止漏检的发生，本文进一步提出了基于压缩感知的目标检测图像融合算法，并与较为经典的小波融合算法进行了比较和仿真，得到了更优的指标，并将其应用于SAF-CFAR算法检测出的图像，有效的防止了漏检的发生并且目标完整性进一步提高了5%。