合成孔径雷达（SAR）目标检测因其不可替代的全天候成像能力而近期受到了广泛关注。然而，这一研究领域面临着公共数据集有限（大多包含少于2000张图像且仅涉及单一类别对象）和源代码难以获取的问题。为了解决这些挑战，我们建立了一个新的基准数据集和一个开源的大规模SAR目标检测方法。我们的数据集SARDet-100K是通过对10个现有SAR检测数据集进行深入调研、收集和标准化的结果，为研究目的提供了大规模且多样化的数据集。据我们所知，SARDet-100K是首个达到COCO水平的大规模多类SAR目标检测数据集。利用这一高质量的数据集，我们进行了全面的实验，并揭示了SAR目标检测中的一个重要挑战：在RGB数据集上预训练和在SAR数据集上微调之间存在显著的数据域和模型结构差异。为了弥合这些差距，我们提出了一种新颖的多阶段滤波增强（MSFA）预训练框架，该框架从数据输入、域转换和模型迁移的角度解决了这些问题。所提出的MSFA方法显著提升了SAR目标检测模型的性能，并在不同模型中表现出卓越的泛化能力和灵活性。本工作旨在为SAR目标检测领域的进一步发展铺平道路。数据集和代码可在https://github.com/zcablii/SARDet_100K 获取。