王泽隆，徐向辉，张雷

(1 中国科学院电子学研究所， 北京 100190； 2 中国科学院大学， 北京 100049； 3 中国人民解放军95899部队， 北京 100076)(2019年1月29日收稿； 2019年3月20日收修改稿)

合成孔径雷达(synthetic aperture radar, SAR)与可见光、红外等光学成像方式相比，具有全天候、全天时、作用距离远等显著优势。自提出以来，已经被广泛运用在军事探测、民用测绘、灾害监测、地球遥感和太空等诸多领域，并持续成为美、欧、俄等西方军事强国的优先发展方向[1-2]。合成孔径雷达主要通过发射微波，获取目标的微波反射数据来成像。由于其独特的成像方式，使得SAR图像的解译和目标的自动识别(automatic target recognition, ATR)十分困难。在现代战争尤其是执行空对地打击作战时，战场态势瞬息万变，目标类型众多，战场环境复杂，如何快速发现、识别并定位目标至关重要。自动目标识别成为发现、识别定位、跟踪、目标分配、打击、评估(find, fix, track, target, engage, and assess, F2T2EA)杀伤链的核心节点。

在SAR图像的自动目标识别分类上，已经有很多国内外学者提出不同方法对其进行研究[3-6]。传统的机器学习方法基于提取特征后使用分类器分类，有基于像素或是图像特征的相似性准则的模板匹配法[3]和支持向量机(support vector machine, SVM)[4]等传统机器学习方法，基于字典学习和稀疏表示[5]的方法研究，以及改进后的径向积分特征分类器方法[6]等。近年来，深度学习逐渐兴起，掀起一阵研究热潮。卷积神经网络(convolutional neural networks, CNNs)在训练的过程中能够实现对图像特征的自动提取，在光学图像的模式识别领域取得巨大的成就。各种深度模型网络，如AlexNet[7]、VGG[8]、GoogleNet[9]、ResNet[10]等网络结构自2012年以来，在ImageNet比赛上取得显著性的识别效果，甚至高于人眼的识别率。……