| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 研究现状及发展 | 第16-18页 |
| 1.3 论文工作及安排 | 第18-21页 |
| 第二章 基于CFAR的SAR目标检测方法研究 | 第21-41页 |
| 2.1 引言 | 第21页 |
| 2.2 SAR目标的经典检测—固定阈值检测 | 第21-26页 |
| 2.2.1 SAR目标检测假设 | 第21-22页 |
| 2.2.2 经典检测的数学模型 | 第22-26页 |
| 2.3 恒虚警概率检测（CFAR） | 第26-33页 |
| 2.3.2 CA-CFAR | 第29-31页 |
| 2.3.3 GO-CFAR与SO-CFAR | 第31-32页 |
| 2.3.4 双参数CFAR | 第32-33页 |
| 2.4 实验结果与分析 | 第33-38页 |
| 2.4.1 多目标情况下的CFAR检测分析 | 第33-36页 |
| 2.4.2 杂波边缘情况下的CFAR检测分析 | 第36-37页 |
| 2.4.3 四种CFAR的性能比较 | 第37-38页 |
| 2.5 本章小结 | 第38-41页 |
| 第三章 基于深度学习的SAR目标检测方法研究 | 第41-75页 |
| 3.1 引言 | 第41页 |
| 3.2 深度学习神经网络 | 第41-54页 |
| 3.2.1 卷积神经网络 | 第41-45页 |
| 3.2.2 正向传播与反向传播 | 第45-52页 |
| 3.2.3 网络参数更新 | 第52-54页 |
| 3.3 基于深度学习的目标检测 | 第54-64页 |
| 3.3.1 传统目标检测流程 | 第54-56页 |
| 3.3.2 基于候选区域的深度学习目标检测算法 | 第56-61页 |
| 3.3.3 基于回归方法的深度学习目标检测算法 | 第61-64页 |
| 3.4 基于深度学习的SAR图像目标检测 | 第64-67页 |
| 3.4.1 基于YOLO的SAR图像目标检测方法 | 第64-65页 |
| 3.4.2 基于Faster-RCNN的SAR图像车辆目标检测方法 | 第65-67页 |
| 3.5 实验结果与分析 | 第67-73页 |
| 3.5.1 训练数据获取 | 第67-68页 |
| 3.5.2 测试流程 | 第68-69页 |
| 3.5.3 实验仿真 | 第69-73页 |
| 3.6 本章小结 | 第73-75页 |
| 第四章 在线SAR图像目标检测闭环系统 | 第75-85页 |
| 4.1 引言 | 第75页 |
| 4.2 在线学习思想 | 第75-76页 |
| 4.3 系统设计思路与流程 | 第76-78页 |
| 4.3.1 设计思路 | 第76-77页 |
| 4.3.2 设计流程 | 第77-78页 |
| 4.4 系统软件实现 | 第78-84页 |
| 4.4.1 开发环境介绍 | 第78-79页 |
| 4.4.2 软件功能介绍 | 第79-84页 |
| 4.5 本章小结 | 第84-85页 |
| 第五章 总结与展望 | 第85-87页 |
| 5.1 工作总结 | 第85-86页 |
| 5.2 工作展望 | 第86-87页 |
| 参考文献 | 第87-89页 |
| 致谢 | 第89-91页 |
| 作者简介 | 第91-92页 |