，，，，

长沙理工大学 电气与信息工程学院，长沙 410114

合成孔径雷达(Synthetic Aperture Radar，SAR)系统具有全天时、全天候的特点，能够在任何天气状况下，全天时不间断的有效获取地面信息。星载SAR作为对地观测的重要手段，已广泛应用于农业、工业等领域。随着星载SAR成像技术的不断完善，海量的SAR数据需要处理，因此从大量基于复杂场景的数据集中获取信息并完成识别、分割等任务成为了当前的研究热点[1-3]。图像目标识别的研究主要包含图像预处理、特征提取、识别与分类三个方面。传统的图像目标识别研究主要基于特征提取，如文献[4]将应用于人脸识别的非负矩阵分解(Non-negative Matrix Factorization，NMF)特征应用于SAR目标识别；文献[5]将SAR图像映射到流形空间，提取局部判别嵌入(Local Discriminant Embedding，LDE)特征，然后用于图像目标识别；基于特征提取的方法有主成份分析(Principal Component Analysis，PCA)[6]、单演信号描述[7]、支持向量机(Support Vector Machine，SVM)[8]等。以上方法提取的特征均基于人工设计，需要大量的试验基础和专业领域知识，并且由于这些特征都是基于目标的底层视觉特征，无法充分表征目标的本质属性，因此在很多情况下无法获得有用的特征，导致目标识别效果不佳。2006年，文献[9]揭开了深度学习(Deep Learning)发展的序幕。近年来，深度学习的模型在图像识别领域展现出了强大的学习能力，文献[10]提出一种深度卷积神经网络将ImageNet数据的分类正确率提升了9%。随后许多学者在不同的应用背景下提出了多种深度学习模型如栈式消噪自动编码机[11]、深度置信网络和卷积神经网络(Convolutional Neural Network，CNN)等。卷积神经网络作为一种深度学习模型，由于其权值共享网络结构使得图像可直接作为网络的输入，卷积神经网络在图像识别领域取得了广泛的应用，如人脸识别[12]、行为识别[13]、医学图像识别[14]等。……