针对SAR图像舰船目标识别中存在的数据不平衡问题提出了一种基于批内平衡采样和模型微调的两阶段迁移学习方法。首先使用批内平衡采样方法得到类间数量平衡的训练集, 然后使用该数据集预训练模型, 最后通过迁移学习和模型微调继续训练不平衡数据并完成测试。针对一般三通道CNN模型在处理单通道SAR图像时会出现参数冗余的问题,设计了一种用于SAR图像识别的轻量化CNN模型。通过单通道卷积核、深度可分离卷积和用全局平均池化代替全连接层3种策略有效降低了模型的参数量。在公开数据集OpenSARShip上的实验结果表明: 所提方法有效提升了少数类的识别精度, 缓解了数据不平衡问题对识别结果的影响; 所提轻量化CNN模型在保证识别精度基本不变的前提下, 使传统三通道CNN模型的模型大小和单次迭代时间分别降低约58.86%和63.62%。

固定单站无源定位系统面临着可观测性弱、初始误差大的问题，为了实现稳定高精度定位，在定位模型中引入角度变化率和多普勒频率变化率信息，并在此基础上提出了一种基于空频域信息的改进不敏卡尔曼滤波(UKF)算法。该算法利用两次观测时刻之间的间隔，根据当前时刻定位结果，通过后向平滑算法平滑估计前一时刻状态向量和协方差矩阵的估计值，为前向UKF算法提供较高精度的起始值，从而得到对当前时刻状态更为准确的估计; 仿真结果表明，增加高精度的角度变化率和多普勒频率变化率观测量，能够显著改善定位性能，改进的UKF算法在保证实时性的基础上提高了定位性能。

轮廓波变换的显著特点是拉普拉斯塔式(LP)滤波器的过采样和非正交性，小波变换的显著特点是在保持临界采样的情况下变换后每个尺度上只提供三个方向。本文将小波变换与轮廓波变换相结合，首先对待处理图像实施小波变换，然后对低频子带图像进行重建，进而可得到一个高频子带图像。此方法既保持了临界采样又利于后面使用方向滤波器组来对高频部分进行方向划分。实验证明此方法能更有效地消除图像噪声并得到比小波和轮廓波变换更高的PSNR。

针对固定单站无源定位必须实现快速和稳定定位跟踪的要求, 在传统定位方法基础上引入角度变化率和多普勒频率变化率信息; 在此基础上提出了一种基于空频域信息的不敏卡尔曼滤波(UKF)算法并结合应用背景对标准UKF算法作了改进, 详细分析了其定位性能并与扩展卡尔曼滤波(EKF)算法进行比较; 仿真结果表明UKF算法的定位性能要明显优于EKF算法, 具有更快的收敛速度和更高的收敛精度; 增加高精度的角度变化率和多普勒频率变化率信息能够显著改善定位性能。

合成孔径雷达(SAR)原始回波模拟在系统设计及成像算法验证等方面具有重要的理论及工程实践意义，是合成孔径雷达系统研制的一个重要方面.说明了原始信号模拟系统的构成，介绍了现有的原始信号模拟方法.基于时域信号模型，对合成孔径雷达的回波进行模拟，生成了理想的点目标回波数据，用距离—多普勒算法处理得到点目标成像结果，验证了处理流程的可行性.

对矩形和圆形区域中各像素进行亚像素划分,确定各亚像素的权值,得到基于亚像素的综合加权区域能量。融合算法首先对源图像进行金字塔分解,然后对金字塔的高频细节分量使用基于亚像素加权区域能量特征的融合规则取大,对低频粗糙分量取平均,得到融合图像的塔形分解,最后重构融合图像。仿真结果表明,新算法融合效果较常规的区域能量特征作为融合规则的多分辨率图像融合算法效果更好,从清晰度和熵的评价来看,提高了融合图像的品质。