， ，

(1.江西理工大学信息工程学院，江西赣州 341000；2.赣南师范大学物理与电子信息学院，江西赣州 341000)

0 引言

合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候工作能力，在军事和民用领域具有非常重要的意义。SAR自动目标识别(Automatic Target Recognition, ATR)[1]技术一直是SAR领域的研究热点。早期的SAR-ATR主要有3类方法：模板匹配法[2]、基于模型的方法[3]和机器学习方法。模板匹配法通过将提取的目标特征与样本库进行匹配以识别目标，识别方法简单，但需要采集大量的实测样本，难以实现。基于模型的方法无须采集大量的实测样本，但需要建立目标的三维模型和电磁散射模型，并根据模型参数对目标进行预测，该方法计算量大，难以满足实时性要求。机器学习方法需先获取目标的特征[4-5]，后用分类器对特征进行分类，常用的分类方法有SVM[6]，AdaBoost[7]等。该类方法比前两类方法效果好，但对不同的目标需设计不同的特征提取方法。

近年来，卷积神经网络(Convolutional Neural Network，CNN)在SAR-ATR方面取得了较大的进展。Morgan等率先将CNN应用于SAR-ATR中，并用MSTAR数据验证了该方法的性能。Michael等针对CNN的训练方法进行了研究，实验表明较好的初始值和修正的随机梯度下降法有助于获得更高的识别率。Housseini等提出了一种结合CNN和卷积自编码的识别方法，该方法能够在保持CNN原有识别率的情况下，有效减少运算时间[8]。Wagner利用CNN提取数据特征，然后将这些特征送入SVM分类器中进行分类[9]。Zhao等受递归神经网络的启发，提出了Highway Unit Network，在没有数据人工扩充的情况下对CNN进行训练[10]。Chen等用卷积层替换CNN中的全连接层，降低了过拟合风险[11]。……