基于深度學習的雷達成像技術研究進展 *

張 云， 穆慧琳， 姜義成， 丁 暢

(哈爾濱工業大學電子與信息工程學院， 黑龍江哈爾濱 150000)

0 引言

成像雷達作為一種以微波頻段電磁波為探測信號的主動式信息獲取系統，利用合成孔徑或陣列技術實現二維高分辨成像[1-2]，具有全天時、全天候、穿透能力強、遠距離和高分辨對地觀測的優勢，能夠提供豐富的地表電磁散射特性信息，使得雷達系統具有對觀測區域進行成像和解譯的能力，極大地提升了雷達的信息獲取和感知能力，在軍事和民用領域具有重要的應用價值和發展前景[3]。由于相干成像方式和合成孔徑技術，雷達成像質量受到系統點擴散函數、相干斑噪聲、響應旁瓣以及運動誤差等因素的限制，為后續圖像解譯帶來不利影響。因此，在一定的雷達體制和成像體制下，尋求先進信號處理技術提升成像質量以滿足后續雷達應用的需求是雷達成像技術研究的重要目標。

傳統雷達成像方法主要通過后向投影、匹配濾波及其改進的時域和頻域方式實現對回波信號的線性變換。該方法不依賴于觀測區域的任何先驗信息，具有實現簡單、普適性和穩健性高的優點。然而受到奈奎斯特采樣定理和線性變換處理的限制，傳統成像方法對信號采樣要求嚴格，且分辨率受限于系統帶寬，響應旁瓣較高。雖然雷達成像模型可以用線性模型表示，然而在實際雷達系統中存在平臺運動誤差、目標復雜運動以及復雜電磁干擾等非理想因素，使得回波觀測數據與雷達圖像之間存在復雜的非線性映射關系。因此基于線性模型的傳統成像方法在成像質量提升方面難以取得較大突破[4]。隨著壓縮感知等稀疏重構理論的不斷完善[5-7]，基于稀疏信息的正則化雷達成像方法成為國內外學者的研究熱點，已被廣泛應用于各種雷達成像體制，如合成孔徑雷達(Synthetic Aperture Radar，SAR)、逆合成孔徑雷達(Inverse Synthetic Aperture Radar，ISAR)、穿墻雷達等。該方法將雷達成像問題建模為成像逆問題，利用觀測場景的稀疏先驗知識對解空間引入約束項，使得病態的求逆問題具有穩定的唯一解，通過稀疏重構優化算法實現對觀測場景散射系數的求解[8-13]。相比于傳統雷達成像方法，基于稀疏信息的正則化雷達成像方法是對回波信號進行非線性變換，利用先驗約束使得成像結果脫離線性投影的解空間而趨向于更優的成像質量，具有回波數據量低、分辨率高、響應旁瓣低等優點。然而，由于稀疏重構優化算法需要多次迭代求解最優重構圖像，算法計算量較大，成像效率較低；同時，該方法還需要建立顯式觀測模型，因此存在模型誤差補償能力差、復雜場景下穩健性差等問題[14-18]。

近十年來隨著深度學習的迅速興起，深度學習網絡在逆問題求解中得到廣泛應用，如圖像超分辨[19-20]、圖像去噪[21]、圖像復原[22]等光學圖像逆問題，在圖像重構質量和工作效率方面均取得優越表現，成為解決逆問題的主流方法。文獻[19]和[23]證明稀疏重構優化算法可以看作一個深度卷積神經網絡(Deep Convolutional Neural Network，DCNN)，但不同于稀疏重構優化算法需要稀疏先驗知識并建立顯式觀測模型，DCNN基于數據驅動通過監督學習的方式自動從數據中學習先驗知識，以獲得更加適用于觀測場景的先驗信息。通過網絡訓練去探索觀測數據與重構圖像之間復雜的非線性映射關系，自行建立隱式成像模型，以最大限度擬合輸入與輸出的精確映射關系，具有較強的適應能力[24-27]。同時，DCNN將優化過程和計算壓力集中在網絡訓練階段，訓練完成后，基于DCNN的測試過程具有較高的工作效率。

因此，深度學習理論為突破當前雷達成像技術的瓶頸提供了全新思路。自2017年美國Yazici團隊首次將深度學習應用于雷達成像領域以來[28]，深度學習在雷達成像中的應用潛力得到廣泛關注。目前，深度學習在成像雷達中的應用和研究主要包括提升成像質量，降低數據量以及提高工作效率等方面。本文首先圍繞雷達成像機理和數學模型展開研究，探索不同成像方式下的圖像質量智能增強的基礎理論，為研究精準、可解釋且高魯棒性的雷達認知成像方法奠定理論基礎。在此基礎上綜述近年來雷達認知成像技術在SAR、ISAR、SAR運動目標成像等領域的研究現狀，并探討目前存在的問題和未來發展方向，為后續的研究提供一定的思路。

1 雷達成像模型分析

本節以SAR成像為例推導并歸納各種成像體制下雷達成像的統一數學模型。SAR成像幾何構型如圖1所示，假設雷達發射線性調頻信號：

(1)

exp(-j4πR(tm,x,y)/λ)dxdy

(2)

式中，Ω表示波束照射區域，tm表示慢時間，A(x,y)表示位置坐標為(x,y)的目標的復后向散射系數，wa(tm)表示方位向包絡函數，c為光速，λ表示波長，R(tm,x,y)表示位置坐標為(x,y)的目標的瞬時斜距。

圖1 SAR成像幾何構型

將觀測場景沿X和Y軸進行離散化處理。為獲得更加詳細的目標信息，網格間隔應該盡可能小。離散化后的場景復后向散射系數可以用二維矩陣表示：

(3)

式中，Nx和Ny分別表示觀測場景離散化后在X和Y軸上的網格點數。由于回波信號是雷達對觀測場景的電磁散射特性在有限頻率和有效空間內的采樣，回波信號在距離維和方位維也是離散的，即

exp(-j4πR(tm(k),m,n)/λ)

i=1,…,Nr,k=1,…,Na

(4)

式中，Nr和Na分別表示距離維和方位維的采樣點數。為建立統一的雷達成像數學模型，公式(4)可以整理為矩陣形式：

sM×1=ΦM×NaN×1+cM×1

M=NrNa,N=NxNy

(5)

式中，

exp(-j4πR(tm(k),m,n)/λ)

aN×1=[A(1,1),…,A(Nx,1),…,

A(Nx,Ny)]T

(6)

式中：[·]T表示轉置操作，sM×1表示維度為M×1的觀測數據；aN×1表示維度為N×1的待求解雷達圖像，即場景的復散射系數向量；cM×1表示系統噪聲向量；ΦM×N表示維度為M×N的觀測矩陣，表示觀測數據與待求解圖像之間的映射關系。

根據上述SAR成像過程推導，雷達成像過程可以建模為線性模型。然而，在實際雷達系統中存在平臺運動誤差、目標復雜運動以及復雜電磁干擾等非理想因素，使得實際觀測數據與雷達圖像之間是一種復雜的非線性映射關系，用觀測函數T描述這種非線性變換關系，上述雷達成像數學模型修正為

sM×1=T(aN×1)+cM×1

(7)

根據雷達成像數學模型式(7)，成像過程是利用雷達回波信號相位中隱含的目標位置和運動信息以及回波信號幅度中隱含的目標散射強度信息，通過信號處理的方式實現從回波信號到原目標場景的映射，反演出目標場景的散射系數和幾何特征等信息，其本質屬于逆散射問題。利用s和T求解a的過程，即為逆問題的求解，可以通過觀測函數的逆T-1描述該逆過程。由于物理限制，觀測數據s的信息量是有限的，如有限的信號帶寬和有限的相干積累時間。然而人們對場景信息精細化程度的需求是無限的，希望得到盡可能詳細的場景信息，甚至大于觀測數據能夠提供的信息量。因此，雷達成像過程通常是一個病態的逆問題，即N>M。值得注意的是，對于SAR/ISAR成像，在給定成像體制和系統參數的情況下可以得到顯式的觀測函數T。對于SAR運動目標成像，瞬時斜距R(tm,x,y)與目標未知的運動參數有關，因此T-1中包含未知參數，該逆問題升級為盲逆問題。傳統成像方法和基于稀疏信息的正則化成像方法均需要建立顯式觀測模型，因此在求解盲逆問題時，首先通過參數估計方法實現對未知參數的估計以得到顯式觀測函數，將盲逆問題退化為逆問題，然后通過傳統成像方法或稀疏重構優化算法實現對逆問題的求解。

(8)

2 深度學習對逆問題的求解

上述兩類雷達成像方法是基于模型驅動的方法，成像過程簡單易于實現，僅需要單次觀測數據，然而需要顯式觀測模型，對復雜非線性成像模型處理能力較差。為解決該問題，基于數據驅動的深度學習方法為復雜逆問題的求解提供新的思路，構建深度學習網絡以描述觀測模型，通過監督學習的方式去探索訓練樣本中隱含的復雜非線性映射關系。基于深度學習的雷達成像方法采用端到端的訓練系統，本質上是求解預測圖像和真實圖像之間的損失函數最小化問題：

(9)

ak=σ(wk*ak-1+bk)

(10)

式中，ak-1表示網絡第k層的輸入，*表示卷積運算，wk和bk分別表示第k層的權重和偏置，即與雷達成像體制、系統參數、觀測函數以及場景先驗信息相關的待學習網絡參數，σ(·)表示非線性激活函數[30-31]，為網絡引入非線性因素，使其能夠有效解決非線性問題，提升網絡的學習能力[32]。對于由多個卷積層組成的深度卷積神經網絡，輸入的觀測數據在前向傳播的過程中不斷迭代進行線性和非線性變換，最終得到最優重構圖像。該過程是與迭代軟閾值算法(Iterative Soft Thresholding Algorithm，ISTA)、交替方向乘子算法(Alternating Direction Method of Multipliers，ADMM)等迭代優化算法實現過程相近的[33-35]，與之不同的是深度學習網絡具有更強的靈活性。

基于深度學習網絡的雷達成像示意圖如圖2所示。觀測數據作為網絡的輸入數據，是影響深度學習網絡性能的重要因素之一。在SAR/ISAR成像中，觀測數據可以是雷達的原始回波數據，也可以是成像過程中的中間處理結果，如一維距離像甚至傳統成像算法預處理后的粗成像結果。在SAR運動目標聚焦成像網絡中，觀測數據可以為SAR原始回波信號，也可以是成像預處理甚至雜波抑制預處理的SAR圖像。由于原始回波數據尚未進行二維匹配濾波，由數據域到圖像域的映射過程比較復雜，所需感受野較大，因此訓練成本較大。為減輕訓練壓力，可以首先對原始數據進行傳統成像預處理得到粗成像結果，將粗成像結果作為初始圖像，輸入到成像網絡中進行圖像精確重構。相比于原始數據，該方法的訓練成本更小。此外，由于卷積層稀疏連接和權值共享的特點，深度卷積神經網絡更加適合于描述圖像域之間的函數映射關系，更方便對圖像特征進行提取，因此成像精度更高。然而，由于對原始數據進行了一定的預處理，在預處理過程中會產生不可逆的部分信息丟失問題，對重構結果產生一定影響。例如，在運動目標聚焦成像中，當利用雜波抑制預處理后的SAR圖像作為觀測數據時，慢速運動目標信息會丟失，無法對慢速目標進行聚焦成像。為實現慢速目標檢測與聚焦成像，需要將多通道SAR成像處理后的圖像作為觀測數據，以保留慢速目標信息。因此，需要在數據保留程度和訓練成本之間進行權衡，選擇最合適的觀測數據作為成像網絡的輸入。經過深度學習網絡成像處理后，輸出的預測圖像可以直接為高質量雷達圖像，也可以是時頻分析圖，或者在某變換域下的成像結果，進而轉換為最終的高質量雷達成像結果。

圖2 基于深度學習網絡的雷達成像過程示意圖

通過設計網絡框架實現對輸入數據的靈活處理，并利用給定的訓練樣本對網絡進行訓練。在訓練過程中，將原本固定的觀測模型和先驗信息轉變為可學習的網絡參數，并計算預測圖像和真實圖像之間的損失函數，通過反向傳播算法和基于梯度的參數優化算法不斷更新優化網絡參數，最終得到網絡參數最優解。大量且合適的訓練樣本集是影響深度卷積神經網絡性能的關鍵因素。然而，目前缺乏大量的雷達實測數據，且難以獲取實測數據的真實圖像a。因此，在實際應用中難以通過實測數據對網絡模型進行訓練。為驗證深度學習方法在雷達成像應用中的有效性，現有文獻通?；诶走_成像模型對訓練樣本對進行仿真，生成仿真訓練集，即觀測數據和真實圖像。在給定成像體制和系統參數的情況下，通過設置不同的場景目標參數，基于式(4)生成觀測數據。對于真實圖像的生成，根據式(4)，當發射信號包絡函數和方位向包絡函數均為矩形窗時，經過距離向和與目標參數相對應的方位向匹配濾波處理后，每個點目標的理論點散布函數為二維sinc函數，因此，真實圖像可以定義為

a(x,R)=p(x,R)*|A(x,R)|

(11)

式中，x和R分別表示目標的方位向和距離向位置。理論點散布函數p(x,R)為二維sinc函數：

p(x,R)=sinc(x/ρa)sinc(R/ρr)

(12)

式中，ρa和ρr分別表示方位向分辨率和距離向分辨率，從而根據式(11)生成真實圖像。

在成像網絡訓練完成后，該網絡框架可以看作一個成像處理器，自行建立適用于成像體制和成像場景的隱式成像模型，實現從觀測數據到重構圖像的精確映射，有效提升雷達成像方法的準確性和穩健性。在成像(測試)過程中，對任意輸入數據，經過成像網絡處理后輸出重構高質量雷達圖像。因此，成像網絡將優化過程和計算壓力集中在網絡訓練階段，訓練完成后網絡的成像過程具有較高的工作效率。

3 基于深度學習的雷達成像研究現狀

3.1 基于深度學習的SAR成像

2017年，美國 Yazici團隊首次將深度學習應用于雷達成像領域，提出基于遞歸神經網絡(Recurrent Neural Network，RNN)的雷達成像方法，將RNN層作為ISTA的一個步驟[28]，利用ISTA的迭代特性將其映射成RNN，使得網絡具有可解釋性，驗證了基于深度學習的SAR成像方法的可行性。2018年，該團隊將RNN結構與解碼器級聯組成循環自動編碼器，實現被動SAR圖像重構[36]。2020年，南京航空航天大學張方正團隊針對傳統后向投影方法成像效率低的問題，提出基于卷積神經網絡的快速后向投影成像方法[37]，以低分辨率的后向投影圖像作為網絡的輸入，利用卷積神經網絡重構高分辨率的SAR圖像。在實驗中通過仿真生成10 000個訓練樣本對，并利用仿真數據驗證網絡的有效性，該網絡能夠有效降低算法復雜度和成像時間，同時具有較強的抗噪聲能力。2020年，電子科技大學錢江團隊也將深度學習網絡應用于SAR成像中，首先利用傳統距離多普勒(Range Doppler，RD)算法進行預處理得到粗成像結果，然后利用卷積神經網絡模型獲得高質量SAR圖像，實現高分辨雷達成像[38]。通過仿真的方法生成訓練數據集，并利用實測數據驗證成像網絡的有效性，可以看出經過網絡模型增強后的SAR圖像，陰影處散斑強度減弱，且具有較低的圖像熵，因此其圖像聚焦效果更佳。

然而，上述研究尚未考慮雷達圖像的復數域形式，將圖像的幅度信息直接輸入到深度網絡中，忽略了數據的相位信息。深度神經網絡作為實數網絡模型，主要針對實數域光學圖像。不同于光學圖像，雷達數據是包含幅度信息和相位信息的復數域數據，相位信息是雷達數據的重要組成部分。對于SAR復數域圖像，圖像相位中包含豐富的場景目標位置和運動信息，對場景成像處理具有重要作用。通常將處理復數域數據的卷積神經網絡分為兩類，分別是分離復值卷積神經網絡和復數域卷積神經網絡(Complex Valued CNN，CV-CNN)。

分離復值卷積神經網絡將復信號分解為實部和虛部，將其作為兩個獨立的通道輸入到深度學習網絡中，有效避免復數域求導問題。雖然該網絡利用復數域數據作為輸入，但網絡模型實質上仍是實值卷積神經網絡，整個網絡的前向傳播和反向傳播過程依然在實數域進行。2018年，西安電子科技大學劉艷提出基于深層自編碼的SAR復數域信號重構網絡，實現SAR回波信號的稀疏觀測與重構，從而實現SAR稀疏成像。在此基礎上提出基于生成對抗網絡(Generative Adversarial Network，GAN)的端到端SAR成像網絡，通過仿真生成10 000個圖像對，由成像結果可以看出基于GAN的成像方法能夠在降低觀測數據量的同時對紋理邊緣等細節恢復更優[39]。

不同于分離復值卷積神經網絡，CV-CNN將包括特征圖和網絡參數在內的整個網絡擴展到復數域，不僅把復數域信號作為網絡的輸入數據，還在整個網絡中傳播相位信息[40]，并使用復數域反向傳播算法求解網絡復值參數的梯度，進而通過基于梯度的參數優化算法實現網絡參數更新[41-42]。2010年， Haensch首次提出CV-CNN，并將單個復值卷積層結構應用于極化SAR圖像分類中，實驗結果表明該結構優于標準復值神經網絡[43]。2017年，復旦大學徐豐團隊提出基于CV-CNN的極化SAR圖像分類方法，并推導了復數域反向傳播算法[44]。2020年，哈爾濱工業大學化青龍將CV-CNN應用于SAR艦船目標識別中，通過仿真和實測數據證明復數域網絡優于實數域網絡[45]。在SAR成像應用中，2021年，北京理工大學丁澤剛團隊基于SAR混合回波模型提出參數化高分辨成像網絡，將多分量ADMM重構優化算法映射為一個展開的復數域深度神經網絡，通過訓練成像網絡自行學習網絡復數域參數，具有較高的成像質量和工作效率[46]。

3.2 基于深度學習的ISAR成像

近年來，深度學習網絡在ISAR成像應用中取得較好的成像效果。2019年，燕山大學史洪印團隊提出基于U-net網絡的ISAR成像方法，將傳統成像結果分解為實部和虛部，將其作為兩個獨立的通道輸入到成像網絡中。通過對坐標點的仿真得到ISAR多散射點目標回波的成像結果和真實圖像，從而得到2 000個訓練集數據。相比于傳統RD方法，該網絡在噪聲較高和回波數據缺失的非理想條件下均能夠獲得較高的成像質量和成像速度[47]。2019年，國防科技大學高敬坤等人首次將CV-CNN應用于ISAR成像，實現ISAR圖像質量增強[48-49]，隨后他們團隊先后提出基于深度殘差網絡ResNet[50-51]和GAN[52]的ISAR高分辨成像，均通過仿真生成訓練集，即低分辨與高分辨ISAR圖像對。圖3表示用于ISAR高分辨成像的生成對抗網絡框架，利用10 000個樣本對網絡進行訓練。圖4為基于傳統方法與深度學習方法的ISAR高分辨成像結果，相比于傳統FFT和SPGL1稀疏重構方法，基于深度卷積神經網絡的成像方法具有更優的成像質量，分辨率顯著提高，其中，生成對抗網絡重構的高分辨圖像具有更低的旁瓣，且能夠精確重構弱散射點和目標細節。2020年，南京航空航天大學朱岱寅團隊利用全卷積神經網絡實現ISAR成像[53]，然而該網絡只利用了雷達數據的幅度信息，忽略了其相位信息。隨后他們提出基于CV-CNN的ISAR稀疏成像方法[54]，值得注意的是，觀測數據和真實圖像由ISAR實測數據生成，ISAR數據由C波段的地基ISAR采集，對運動補償后的ISAR數據進行兩維隨機降采樣，降采樣率設置為10%，對降采樣數據進行二維FFT處理，從而獲取觀測數據。對運動補償后的ISAR數據采用RD方法進行聚焦成像，從而獲取高質量的真實圖像，共生成600個實測訓練樣本對。由測試結果可以看出，該成像網絡在較少觀測數據條件下仍具有較高的成像質量和成像效率。2021年，電子科技大學錢江團隊將深度學習網絡應用于ISAR機動目標成像中，通過設計合適的卷積神經網絡模型生成高分辨率的時頻分布圖像，并將其融合到ISAR機動目標成像方法中，從而提高ISAR機動目標的成像分辨率[55]。在本實驗中通過仿真生成500個低分辨與高分辨時頻分布圖像對，對成像網絡進行訓練，通過仿真和實測數據說明該成像網絡的成像質量優于傳統RD方法和時頻分析方法。

圖3 ISAR高分辨成像的生成對抗網絡框架

圖4 暗室測量飛機模型的ISAR高分辨成像結果

3.3 基于深度學習的SAR運動目標聚焦成像

受到運動目標參數影響，在SAR圖像中運動目標圖像是散焦的，且不同于SAR靜止場景成像模型僅依賴于成像體制與系統參數，運動目標的成像模型還與目標未知的運動參數有關。同時，背景雜波和噪聲也使得運動目標聚焦成像更加困難。因此，SAR運動目標聚焦成像過程可以建模為盲逆問題。傳統方法需要利用參數估計方法實現目標參數估計以構建觀測矩陣，將盲逆問題退化為逆問題，然后通過匹配濾波或稀疏重構算法實現對逆問題的求解。

基于深度學習的多通道SAR運動目標成像過程如圖5所示，多通道SAR系統接收到由成像場景后向反射的多通道回波信號，對回波數據進行多通道SAR傳統成像甚至雜波抑制預處理，處理后的觀測數據中包含對消幅度、干涉相位、多通道空時譜、單目標線性調頻信號、多目標多分量線性調頻信號等信息，對運動目標成像具有重要作用。本課題組分別設計SAR運動目標成像網絡[56]和復數域慢速運動目標成像網絡[57]去探索觀測數據與運動目標圖像之間的映射關系。

圖5 基于深度學習的多通道SAR運動目標成像過程示意圖

在SAR圖像中運動目標被淹沒在雜波中，難以直接獲取目標信息。因此，在SAR運動目標成像網絡中，將多通道雜波抑制處理后的SAR散焦復圖像作為網絡的輸入，以提高信雜噪比。DeepImaging網絡框架如圖6所示，該網絡模型是全卷積層架構，使用基于殘差學習策略的殘差單元[58]，使得正向信息傳播和反向梯度傳播更加高效。由于SAR實測運動目標成像訓練集的缺乏，在本實驗中基于運動目標成像模型對訓練樣本對進行仿真，生成6.6×105個仿真運動目標圖像對，即運動目標散焦圖像和真實目標聚焦圖像，其包含各種運動目標狀態。利用該訓練樣本對網絡DeepImaging進行訓練。DeepImaging訓練完成后，自行完成隱式成像模型和成像過程的構建，實現觀測數據與聚焦圖像之間的精確映射。在成像(測試)過程中，對任意輸入數據，經過網絡處理后輸出聚焦運動目標圖像，實現運動目標聚焦成像和剩余雜波抑制。通過仿真實驗和Gotcha實測數據驗證所提成像網絡的有效性。相比于傳統成像方法，DeepImaging具有更低的圖像熵和更高的輸出信雜噪比，且背景雜波得到濾除。因此，DeepImaging具有更優的運動目標重聚焦效果和剩余雜波抑制能力。同時，相比稀疏重構算法，該方法的工作效率更高。

圖6 DeepImaging網絡架構

由于DeepImaging網絡的輸入觀測數據為雜波抑制后SAR圖像，其成像結果依賴于多通道雜波抑制結果，對徑向速度較小的慢速目標和沿航向運動目標難以檢測，更加無法得到聚焦的運動目標圖像。為實現慢速目標檢測與成像，將雜波抑制任務進一步集成到深度學習網絡中。為了充分利用SAR復圖像中的相位信息，提取運動目標與靜止雜波之間微小的相位差異，將復數域卷積神經網絡引入到運動目標成像領域，提出復數域成像網絡CV-GMTINet[57]，網絡框架如圖7所示，該網絡結合殘差網絡[58]與密集網絡[59]的優點，在局部和全局等多個角度引入密集連接和殘差學習的思想，充分利用多層次特征，并提高特征與梯度的傳遞效率，緩解梯度消失問題[60-61]，最終實現多通道雜波抑制和慢速多目標聚焦成像。本實驗利用星載TerraSAR-X實測數據驗證所提網絡的有效性。由于在實測數據集中實測運動目標樣本數較少，基于運動目標信號模型對運動目標進行仿真，以不同的信雜噪比加入到實測SAR圖像塊中，實現運動目標樣本的擴充，共生成1.2×106個仿真運動目標圖像對，其包含各種雜波類型和目標狀態。圖8為TerraSAR-X某場景測試結果，在該場景中包含8個運動目標A1～A8，其中目標A4和A5是實測運動目標，其他目標為仿真目標，目標A1和A8只有切向速度。由于DPCA雜波抑制方法無法檢測徑向速度為0的運動目標，因此DPCA-Chirplet-BCS[18]和DPCA-DeepImaging均無法檢測到目標A1和A8，其他檢測到的運動目標具有較好的聚焦效果，相比于DPCA-Chirplet-BCS，DPCA-DeepImaging的背景雜波抑制能力更強。實數域網絡DeepGMTI實現所有運動目標的檢測與聚焦成像，然而存在1個虛假目標，復數域成像網絡CV-GMTINet的成像結果與真實圖像更加吻合，具有最優的成像質量和雜波抑制能力。

圖7 CV-GMTINet網絡架構

圖8 多通道SAR運動目標成像結果

4 結束語

本文圍繞雷達成像機理和數學模型展開研究，將雷達成像問題建模為成像逆問題，以探索不同成像方式下的圖像質量智能增強和分析的基礎理論，為研究精準、可解釋且高魯棒性的雷達認知成像方法奠定理論基礎，并闡述了深度學習在SAR、ISAR、SAR運動目標成像等雷達成像領域的應用現狀。盡管深度學習模型(DCNN，CV-CNN，RNN，GAN等)在成像質量和工作效率方面具有顯著進步，然而該方法仍處于實驗階段，將其應用于實際成像過程中仍存在關鍵技術需要進一步深入研究。

1) 基于小樣本甚至零樣本學習的雷達成像方法研究?，F有基于監督學習的深度學習模型對訓練樣本數量的依賴性較高，而目前尚無已標注的雷達成像實測數據集，尤其未知非合作目標的數據更加難以獲取，現有的網絡訓練過程多數利用仿真數據，然而，仿真數據與實測數據仍存在一定的差異性，同時數據的不充足也進一步影響成像的性能?；谀Ｐ臀⒄{、數據增強以及遷移學習等的小樣本學習模型和算法受到廣泛關注，目前小樣本學習研究主要集中在光學圖像分類、字符識別等任務中，難以直接應用于雷達成像領域。因此，未來需要研究適用于雷達認知成像任務的小樣本甚至零樣本學習模型，以降低成像網絡對訓練樣本的需求，使其具有更廣闊的應用價值。

2) 基于深度學習的雷達成像泛化能力的研究。目前深度學習網絡針對單一數據集具有較好的成像效果，難以在未訓練的情況下實現其他數據集成像。雷達成像模型中包含雷達成像體制、系統參數以及目標參數等多個可變參數，不同觀測任務下的成像模型存在明顯區別，使得觀測數據與雷達圖像之間的映射關系容易發生變化，導致深度學習模型的魯棒性和泛化能力較差。因此，未來還需要結合腦認知思想改進網絡模型和訓練方式，以提高基于深度學習的方法的適應性，使之成為未來雷達成像領域主流方法。