刘 飞， 高红艳， 卫泽刚， 刘亚军， 钱 郁

(1. 宝鸡文理学院 物理与光电技术学院，陕西 宝鸡 721013；2. 宝鸡文理学院 宝鸡先进钛合金与功能涂层协同创新研发中心，陕西 宝鸡 721013)

1 引 言

通过对合成孔径雷达(Synthetic Aperture Radar，SAR)获得的高分辨率图像进行处理，可实现对聚焦区域或感兴趣目标的分析解译。SAR目标识别技术可用于侦察以及情报解译[1-2]。自20世纪90年代以来，随着模式识别、人工智能技术的发展，SAR目标识别方法不断丰富，取得了长足的进步。主流SAR目标识别方法通常运用特征提取和分类阶段的两级流程实现未知样本的类别确认。SAR图像典型目标特征包括几何形状、投影变换以及电磁散射等类别。以目标轮廓、区域、阴影等为代表性的形状特征，具备区分不同类别的能力[3-6]。投影变换算法包括数学投影和变换域分解等，前者包括矩阵分解、流形学习等[7-9]，后者包括小波、单演信号、模态分解等[10-12]。电磁散射特征体现目标的后向散射特性，如峰值、散射中心、极化方式等[13-14]。分类决策阶段与特征提取紧密耦合，利用特征的差异性判定输入样本的所属类别。近邻分类器(最近邻、多近邻等)[15]、支持向量机(Support Vector Machine，SVM)[16]、稀疏表示分类(Sparse Representation based Classification，SRC)[17]是现有SAR目标识别方法运用最为广泛的分类器。随着近年来深度学习技术的迅猛发展，以卷积神经网络(Convolutional Neural Network，CNN)[18-20]为代表的深度学习模型已成为SAR目标识别中的主流算法。

本文在现有研究的基础上提出了结合深度学习模型和传统分类机制的SAR目标识别方法。在特征学习阶段采用深度残差网络(Deep Residual Networks，Res-Net)[21-22]进行目标多层次的特征图学习。……