Trotz der bemerkenswerten Fortschritte im Bereich der automatischen Zielerkennung in synthetischen Apertur-Radar (SAR ATR) konzentrieren sich die jüngsten Bemühungen auf die Detektion und Klassifikation einer spezifischen Zielkategorie, beispielsweise Fahrzeuge, Schiffe, Flugzeuge oder Gebäude. Eine der grundlegenden Einschränkungen der derzeit leistungsstärksten SAR ATR-Methoden ist, dass das Lernparadigma überwacht, auf bestimmte Aufgaben zugeschnitten, auf eine begrenzte Anzahl von Kategorien beschränkt und im geschlossenen Welt-Modell erfolgt. Dieses Paradigma setzt eine große Menge an präzise annotierten Trainingsbeispielen voraus, die durch erfahrene SAR-Analysten kostspielig beschriftet werden und zudem eine begrenzte Generalisierbarkeit und Skalierbarkeit aufweisen. In dieser Arbeit unternehmen wir erstmals den Ansatz, ein Fundamentmodell für SAR ATR zu entwickeln, das als SARATR-X bezeichnet wird. SARATR-X erlernt generalisierbare Darstellungen mittels selbstüberwachten Lernens (Self-Supervised Learning, SSL) und bildet die Grundlage für eine ressourcensparende Anpassung von Modellen an allgemeine Aufgaben der SAR-Zieldetektion und -Klassifikation. Insbesondere wird SARATR-X an 0,18 Millionen unbeschrifteten SAR-Zielsamples trainiert, die durch Kombination aktueller Benchmark-Datensätze zusammengestellt wurden und damit bislang die größte öffentlich verfügbare Datensammlung darstellen. Berücksichtigend die spezifischen Eigenschaften von SAR-Bildern wurde ein auf SAR ATR zugeschnittener Hauptarchitektur-Block sorgfältig entworfen, und ein zweistufiges SSL-Verfahren mit multi-skalaren Gradientenmerkmalen wurde angewendet, um die Merkmalsvielfalt und die Skalierbarkeit von SARATR-X zu gewährleisten. Die Fähigkeiten von SARATR-X werden in Evaluierungen zur Klassifikation unter Few-Shot- und Robustheitsszenarien sowie zur Detektion über verschiedene Kategorien und Szenarien getestet und erzielen beeindruckende Ergebnisse, die oft mit oder sogar über jenen vorheriger vollständig überwachter, halbüberwachter oder selbstüberwachter Algorithmen konkurrieren. Unser SARATR-X sowie die zusammengestellte Datensammlung werden unter https://github.com/waterdisappear/SARATR-X veröffentlicht, um die Forschung an Fundamentmodellen für die Interpretation von SAR-Bildern zu fördern.