Die diskrete Strukturdistribution (Dispersität) und die variablen Streuverhalten (Variabilität) von SAR-Flugzeugzielen führen zu besonderen Herausforderungen bei der Objekterkennung und -klassifizierung. Aktuelle tiefenlernbasierte Detektoren stoßen bei der Unterscheidung feinabgestufter SAR-Flugzeuge in komplexen Hintergründen auf Schwierigkeiten. Um dies zu adressieren, schlagen wir ein neuartiges, physikbasiertes Lernparadigma (Physics-guided Detector, PGD) für SAR-Flugzeuge vor, das sowohl die Dispersität als auch die Variabilität umfassend berücksichtigt, um die Erkennungsleistung zu verbessern. Das PGD ist ein allgemeines Lernparadigma, das nahtlos auf bestehende tiefenlernbasierte Detektoren mit „Backbone-Neck-Head“-Architekturen erweitert werden kann. Die zentralen Beiträge des PGD umfassen physikbasiertes selbstüberwachtes Lernen (Physics-guided Self-Supervised Learning, PGSSL), Merkmalsverstärkung (Physics-guided Feature Enhancement, PGFE) und Instanzwahrnehmung (Physics-guided Instance Perception, PGIP). PGSSL zielt darauf ab, eine selbstüberwachte Lernaufgabe auf Basis einer breiten Palette von SAR-Flugzeugzielen zu konstruieren, die das vorherige Wissen über verschiedene diskrete Strukturdistributionen in den eingebetteten Raum kodiert. Anschließend verstärkt PGFE die mehrskalige Merkmalsrepräsentation des Detektors durch physikbasierte Informationen, die aus PGSSL gelernt wurden. PGIP wird am Detektionskopf implementiert, um die präzise und dominante Streupunkte jedes SAR-Flugzeug-Instanz zu lernen, wodurch die Störung durch komplexe Hintergründe reduziert wird. Wir präsentieren zwei Implementierungen, bezeichnet als PGD und PGD-Lite, und wenden sie auf verschiedene bestehende Detektoren mit unterschiedlichen Backbone- und Detektionshead-Architekturen an. Experimente belegen die Flexibilität und Wirksamkeit des vorgeschlagenen PGD, das bestehende Detektoren bei der feinabgestuften Klassifizierung von SAR-Flugzeugen signifikant verbessert (maximale Steigerung um 3,1 % mAP) und auf dem SAR-AIRcraft-1.0-Datensatz die Stand der Technik erreicht (90,7 % mAP). Das Projekt ist Open-Source unter \url{https://github.com/XAI4SAR/PGD} verfügbar.