， ， ， ，

( 1.陕西师范大学计算机科学学院， 陕西西安 710119； 2.西安现代控制技术研究所， 陕西西安 710065； 3.西安电子科技大学雷达信号处理国家重点实验室， 陕西西安 710071)

0 引言

合成孔径雷达(Synthetic Aperture Radar，SAR)由于其全天时、全天候,能够穿透云、雨、烟、雾等优点，已被广泛地应用于军事和民用等诸多领域[1-3]。其中，基于SAR的自动目标识别(Automatic Target Recognition，ATR)技术是SAR应用的一个研究热点[4-5]，它的研究对于环境监测、敌我识别和灾害评估等方面都有着重要意义。

传统的SAR目标识别算法针对目标类型的识别，也就是说，同一类型不同型号的样本在识别时被认为是一样的[6-8]。而目标的型号识别比类型识别更具挑战性，因为同一类型目标的不同型号之间的差异非常小，如同一类型坦克上有没有机关枪和油箱、天线是否展开等。高精度的目标型号识别对于战场感知、精确打击等需要获取目标详细信息的应用领域是非常必要的，有着重要的应用价值[9-10]。

稀疏描述是一种有效的模式识别、机器学习理论，已被成功应用于雷达成像[11]、图像处理[12]、数据压缩[13]、模式识别[14]等领域。稀疏描述用于识别时，利用所有训练样本构造字典矩阵，然后求解测试样本的稀疏向量，最终根据稀疏向量计算重构误差得到识别结果。基于稀疏描述的SAR目标型号识别算法可以得到较好的识别结果[10]，但是由于阴影效应、信号和环境的相互作用、将三维场景投影到平面等原因[8]，SAR图像对目标方位角的变化较为敏感。为了实现较好的SAR目标型号识别，对训练样本有较大的需求，通常需要覆盖整个方位区间的大量训练样本来全面捕获目标特征，这就使得基于稀疏描述的SAR目标型号识别算法的计算复杂度较高，不利于算法的实时性和高效性。……