SAR ATR 的研究先驱——MIT 林肯研究中心提出了基于模板的半自动图像智能处理系 统（SAIP）、MSTAR 基于模型的 SAR ATR 系统这两个典型的 SAR ATR 系统[2]，取得了较好 的分类性能。其中，MSTAR 基于模板的 SAR ATR 系统在训练条件和测试数据条件不同的情 况下仍可以实现目标识别。受此启发，研究人员提出了众多基于不同理论的 SAR ATR 系统， 比如基于支撑矢量机（SVM）[3]和隐马尔科夫模型（HMM）[4]的 SAR ATR 系统。短短几十 年间，学界取得了一系列卓越的研究成果。但是 SAR ATR 领域中仍有很多值得的探讨的问题。 问题的一大根源是难以获得实际问题的大量有标记的随机样本[5]。特别是全球还存在许多非 合作区域，目标很难有一个足够大的数据库来支持识别工作。即使有足够的样本，所付出的 代价也较为昂贵。有标记样本不足、对目标先验知识有限这两点限制了对稳健特征的提取。 如何在有标记样本不足，目标先验知识所知有限条件下找到稳健特征，是学界长期关注和研 究的热点之一。

针对有标记样本和先验知识不足的情况，可以采用深度学习模型来解决这一问题。深度 学习尝试解决抽象认知的难题，是机器学习研究中的一个新的领域。图 1。1 所示为以视觉感 知为例的机器学习的一般思路。1981 年，David Hubel 和 Torsten Wiesel[6]发现人类的视觉系统

图 1。1 机器学习的一般思路

第 2  页 本科毕业设计说明书

的信息处理是分级的，高层的特征是低层特征的组合，特征表达从低到高是一个从具体到抽 象、概念化的一个过程。人工神经网络正是模拟了人类的视觉神经系统。Fukushima 提出的 仿生学设计——神经感知机（neocognitron）[7]可被认为是首个深度卷积实现的神经网络。1986 年，反向传播算法（Back Propagatition，BP）[8]的提出与成功应用于人工神经网络，掀起了 基于统计模型的机器学习热潮。该算法能够使人工神经网络模型通过统计大量训练样本得出 一定的统计规律并做出预测。LeCun  等提出可用基于误差的梯度算法来训练卷积神经网络

（Convolutional Neural Networks, CNN）[9]，从而获取数据空间的关联性，大大减少了训练参 数的数目。其后的大部分模型，诸如 SVM、提升方法（boosting）、最大熵方法[10]等，依靠人 工提取样本特征，经过神经网络最终获得的是没有层次结构的单层特征[11]，仍属于浅层模型 范畴。直到 2006 年，加拿大多伦多大学的 Geoffrey Hinton、Osindero 和 Teh 基于深度置信网 络（Deep Belief Networks，DBN）提出了非监督贪婪逐层学习（Greedy Layer-wise Unsupervised Learning）算法[12]，解决了训练深度网络的问题，使深度学习的实际应用取得了突破性进展。 深度学习有两大特点，其多层非线性映射的深层结构，可以实现复杂函数的逼近[13]，具有强 大的从无标注样本集中学习数据集特征的能力；由于其模型具有较深的层次（即隐藏节点较 多），理论上可获取分布式表达，处理维数灾难和局部泛化限制。因而深度学习在 SAR ATR 研究领域有巨大的发挥空间。文献综述

深度学习能够直接从数据中学习不同的特征，而不需要程序员预先输入分类规则。一个 已存在的分类器通过深度学习能够实现对未知目标的识别。因而，我们可以展望通过深度学 习来实现高分辨率 SAR 图像的高效分析和识别，进一步提取目标的潜在特征，提高相应的分 类精度。深度学习在处理大数据方面的优势，在先验知识缺乏时充分利用海量无标记样本获 取稳健特征的能力，在 SAR ATR 领域日益受人重视，正在逐渐发挥重要作用。考虑到现阶段 深度学习理论还处于发展阶段，一些方法尚缺乏足够的理论支持。特别是在 SAR 图像分析领 域目前仍缺乏指导性的研究成果，应该选择什么样的学习器，采用什么结构和训练策略，对 数据样本的数量和质量是否有要求的相关问题的研究还不够成熟。此外，当前算法主要针对 目标类别进行识别，对目标型号的指纹识别的研究还不够深入。