传统激光超声合成孔径聚焦技术（LU-SAFT）通常需要在待测样品表面以小步长扫描来提高横向分辨率，但小扫描步长会导致总检测时间过长，影响检测效率。针对这一问题，笔者提出了基于压缩感知的LU-SAFT方法，以提升扫描效率。该方法首先使用压缩感知根据稀疏扫描点处A扫信号的最大强度恢复出全场的扫描点A扫信号最大强度，进而确定样品表面的最优扫描区域，然后在最优扫描区域内进行扫描，最后对缺陷进行SAFT图像重建。在实验中，笔者采用脉冲激光在含有缺陷的样品表面激发超声，使用激光多普勒测振仪探测超声，并利用基于压缩感知的LU-SAFT方法对样品内部缺陷进行检测，以验证所提方法的可行性。实验结果显示：针对相同的扫描区域，传统LU-SAFT需要扫查500个点，花费3.15 min；与传统LU-SAFT相比，本文所提方法在扫描点数上减少了80%，在扫描时间上缩短了80%，并且缺陷的SAFT成像信噪比提高了约42%。本文研究内容及结果可为激光超声无损检测提供更快速的检测方案。

在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。

针对合成孔径雷达(SAR)目标识别问题, 设计并提出基于改进稀疏表示的方法。首先以传统稀疏表示分类(SRC)为基础, 在全局字典上求解稀疏表示系数矢量。在此基础上, 按照类别选择局部最佳字典, 并据此进行测试样本的重构表示, 最终, 通过比较不同类别的重构误差大小进行目标类别确认。实验中采用MSTAR数据集作为样本进行测试和验证。结果证明了所提方法的性能优势。

针对多模式合成孔径雷达(SAR)成像处理中存在的计算效率不足问题，提出了一种基于GPU的多模式SAR统一成像并行加速方法。为充分利用GPU 的显存资源，提高算法的运算效率，利用共享内存对矩阵转置、矩阵相乘等部分进行大规模数据并行计算。实验结果表明，该算法大幅度提升了多模式SAR 成像的计算效率，最高加速比达到55.62，解决了GPU 显存空间利用率较低的问题。

基于逆合成孔径雷达(ISAR)图像序列的卫星目标姿态估计是一项具有重大意义且富有挑战性的任务。现有的估计方法通常是基于图像中关键角点或线性部件的提取, 较难满足实时需求, 且都未能充分利用目标成像特性先验。本文提出一种基于成像特性与回归网络的卫星目标姿态估计方法: 提前确定各种姿态下的卫星目标成像特性, 并作为后续数据集标注的理论基础; 区别于传统的分类问题, 建立一种适用于姿态估计的回归网络与估计框架。采用毫米波频段的电测仿真计算数据对所提方法进行验证, 结果表明, 单张图像中估计的平均姿态误差可以控制在3.5 °以内。

针对利用三维合成孔径技术成像的毫米波人体安检设备成像分辨力低的问题, 提出一种将迭代自适应(IAA)技术与合成孔径成像技术相结合的波数域 IAA成像算法。波数域 IAA技术能估计出每个潜在位置所对应的信号源能量, 具有分辨力高、旁瓣低且适合单快拍估计等优点。通过理论模型分析和仿真运算, 将重构效果图与传统的匹配滤波方法重构效果图进行对比分析, 验证了该算法的有效性; 同时随着计算能力的提高, 该算法的性能也得到提高。

近年来, 深度学习虽然在合成孔径雷达(SAR)目标识别领域已得到广泛应用, 但目前带有标注的SAR数据样本量的不足严重制约了深度学习在SAR目标识别中的发展。而迁移学习可以攻破深度学习数据驱动的限制, 利用有限SAR样本进行迁移学习。对基于迁移学习的有限SAR样本目标识别算法进行了分析, 首先, 介绍了迁移学习的基本概念、类型、常用策略并分析了其在小样本SAR目标识别领域应用的可行性; 然后, 根据迁移数据与目标域数据是否同源, 分别对两类基于迁移学习的方法在SAR图像识别领域具有代表性的算法进行了梳理归纳; 最后, 从样本量的不足与网络的普适性两个方向出发, 讨论了迁移学习在SAR图像识别任务中存在的不足与下一步的研究方向。