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。

海上溢油事故的发生不仅给人类造成了巨大的财产经济损失，而且严重破坏了海洋生态环境。极化合成孔径雷达（PolSAR）通过利用多种极化通道能够更综合地记录地物后向散射信息，从而广泛应用于海上溢油检测中。为了更加准确地进行海上溢油检测，提出一种基于Dual Encoder-Decoder Net（Dual-EndNet）的极化SAR海上溢油检测算法。首先提取出目前常用的30种用于溢油检测的极化特征，并利用随机森林算法选出区分溢油重要性较好的前10个特征；然后以编码器-解码器为基本框架，设计两个分支，分别输入PauliRGB图像和优选的10个极化特征图像，用于提取溢油极化SAR图像的空间信息和极化信息，进而对两分支信息进行融合，以提高溢油检测算法性能。在两景Radarsat-2全极化SAR溢油数据集上的实验结果表明，所提方法不仅具有较强的溢油检测能力，而且能够有效地区分原油、植物油、乳化油不同类型的油膜。

合成孔径雷达（SAR）在成像过程中由于固有成像机制的缺陷导致图像被乘性噪声污染，图像噪声对后续目标检测识别等处理过程造成了阻碍。现有的去噪算法存在不能自适应估计噪声大小和对边缘保持效果不理想的问题，如何自适应处理不同噪声水平的图像是一个研究难点。提出一种基于盲估计和双边滤波的SAR图像稀疏去噪算法。首先利用双边滤波得到具有良好边缘保持特性的预处理图像；接着利用盲估计获取图像全域噪声水平，将其充当稀疏重建过程中的残差阈值；最后利用稀疏编码和字典学习算法，用尽可能少的原子信息来表示图像，达到图像去噪的目的。实验结果表明，结合了盲估计的稀疏重建算法不仅有效去除了图像噪声，使等效视数获得了显著提升，而且峰值信噪比和边缘保持指数也有良好的表现，有效保留了原图的细节纹理信息。