对于小样本电磁信号识别, 数据增强是一种最为直观的对策。利用生成对抗网络 (GAN)产生虚假信号样本, 设计粗粒度和细粒度筛选机制对生成信号进行筛选, 剔除质量较差的生成信号, 实现训练样本集的有效扩充。为验证所提数据增强算法的有效性, 在 RADIOML 2016.04C数据集上进行测试。实验结果表明, 本文所提方法对小样本电磁信号识别准确率有较好的提升效果。

针对极化SAR图像训练样本数目较少问题以及极化SAR图像同质区域较多的特性,提出了一种新的两层分类框架,结合了稀疏自编码器和边缘保持的Wishart马尔科夫随机场对极化SAR图像进行分类.该框架包括个步骤,第一个步骤使用稀疏自编码器来获得一个初始分类；第二个步骤使用边缘保持的Wishart马尔科夫随机场对第一层的分类结果进行修正.在应用Wishart马尔科夫随机场的过程中,由稀疏自编码器分类得到的边缘得以保持,并且提出了新的分类错误纠正策略确保分类的准确性.因此,通过稀疏自编码器得到的精确分类边缘可用于不同的区域并且在应用Wishart马尔科夫的过程中得以保持.和其他分类方法相比,该方法得到较高的分类精度,证明了新方法的有效性.

针对城区分类,利用颜色特征构造一个新颖的无监督的分类框架.首先,基于最近提出的极化合成孔径雷达(PolSAR)数据的四分量分解模型,计算了常用的颜色空间：YUV,RGB,HSI和CIELab,通过引入颜色熵量化的选择颜色特征；然后,联合纹理特征和扩展的散射功率熵,用自适应的均值漂移算法分割PolSAR图像；最后,根据基于G0分布的距离测度合并聚簇为较为匀质的地物类别.通过L波段AIRSAR数据和C波段Radarsat-2的PolSAR数据验证了提出算法的有效性,分类正确率表明,相比于已有的工作,提出的算法对于城区有较好的区分能力.

提出了一种新的基于一般散射模型的hybrid Freeman/eigenvalue 分解算法, 用于分析极化合成孔径雷达(PolSAR)数据。文中, 单位矩阵作为体散射模型, 相干矩阵的两个较大特征值对应的特征向量作为表面散射模型和二次散射模型, 并且不需要反射对称条件。新算法有三个优点: 第一, 表面散射和二次散射不需要反射对称条件, 更符合一般散射体的建模; 第二, 因为散射能量是相干矩阵特征值的线性组合, 所以散射能量具有旋转不变性; 第三, 表面散射能量和二次散射能量避免了负值现象。在San Francisco地区的AIRSAR数据上进行了实验, 证明了新算法的有效性。

作为一种非线性维数约减算法，高斯过程隐变量模型(Gaussian process latent variable model, GPLVM)由于其适合处理小样本、高维数据，因而在模式识别、计算机视觉等领域得到了广泛应用.基于此，提出一种基于改进GPLVM的SAR图像目标特征提取及自动识别方法，其中利用改进的GPLVM进行特征提取，高斯过程分类进行目标识别.传统GPLVM使用共轭梯度法对似然函数进行优化，为避免梯度估值易受噪声干扰、步长对算法影响严重等缺点，提出基于免疫克隆选择算法的GPLVM，利用其具有快速收敛到全局最优的特性提高算法性能.实验结果表明，该算法不仅降低了特征维数，且提高了识别精度，从而验证了算法用于SAR图像目标识别的有效性.

非局部均值算法将传统的图像去噪算法由局部计算模型推广到非局部计算模型，取得了良好的效果.但对于合成孔径雷达图像，使用观测值和各向同性邻域窗来度量相似性，缺乏鲁棒性和方向性，不利于捕获图像边缘结构信息.提出了基于非下采样Shearlet特征描述子和方向权值邻域窗的非局部均值算法.实验表明,该算法不但有效地去除了相干斑，而且很好地保持了图像的几何结构信息，为后期SAR图像的理解与解译奠定了良好的基础.

提出了一种无监督SAR图像变化检测算法，利用数据聚类思想，通过进化算法寻找最小均方误差，得到变化检测结果.在原有Memetic算法基础上，针对图像自身特点，提出全新的搜索策略并根据当前检测结果动态调整局部搜索算法，实现了粗细结合的搜索过程.算法不受分布模型限制，不需要先验知识，适用性较强.将改进的算法与GA、ICSA及原MA进行比较，实验证明，该算法可以快速收敛.对真实SAR图像进行检测，可以得到较好的检测结果.

传统的基于进化聚类方法在处理变化检测时耗时过长，在搜索最优聚类中心过程中容易陷入局部最优，对于SAR图像的变化检测存在边缘定位不够准确的缺点，提出了基于量子免疫克隆聚类的SAR图像变化检测方法.把图像的灰度值作为输入信息，通过量子比特定义聚类中心，通过量子免疫克隆算法来搜索最优聚类中心，从而得到更佳的全局阈值，最后根据阈值得到变化检测结果.实验结果表明,与K&I阈值法相比，可以得到更佳的全局阈值；与遗传聚类算法相比，可以快速、有效地搜索到更优聚类中心，准确定位边缘，提高变化检测精度.

当有标识的样本数量有限时，Laplacian SVM算法需要加入尽量多的无标识样本，以提高分类精度. 但同时当无标识样本数很大时，算法的时间和空间复杂度将难以接受. 为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中，提出了一种改进的Laplacian支持向量机算法 (Improved Laplacian Support Vector Machine, Improved Laplacian SVM)，首先采用分水岭算法将原始SAR图像分成多个小原型块，提取每个小原型块的图像特征作为训练样本. 再采用改进的Laplacian SVM算法得到小原型块的分类结果. 通过3幅SAR图像验证了提出的方法，实验表明该方法不仅提高了分割的准确性同时减少了Laplacian SVM算法用于图像分割时的运行时间.

给出了一种无监督SAR图像变化检测算法, 它不需要分布假设, 而是通过联合灰度直方图的分布特性进行判别.算法利用自适应边缘检测提取训练数据, 通过Fisher分类器对联合直方图进行判别分析, 得到不同小波层待检测点隶属度, 并根据邻域关系以及上下文进行融合, 得到最终检测结果.对真实SAR图像进行检测, 得到了较好的检测结果.