| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-9页 |
| 第一章 绪论 | 第9-18页 |
| §1．1 SAR图像解译和自动地域分类 | 第9-10页 |
| §1．2 国内外研究现状 | 第10-13页 |
| §1．3 论文的主要工作 | 第13-18页 |
| 1．3．1 论文的研究重点 | 第13-14页 |
| 1．3．2 论文的基本研究思路 | 第14-15页 |
| 1．3．3 论文章节安排 | 第15-18页 |
| 第二章 SAR图像基本特性及地物分类技术的理论基础 | 第18-43页 |
| §2．1 概述 | 第18-20页 |
| §2．2 SAR图像基本特性分析 | 第20-27页 |
| 2．2．1 SAR图像固有特性分析 | 第20-23页 |
| 2．2．2 地域参数和SAR系统参数选择对SAR图像RCS的影响 | 第23-27页 |
| §2．3 SAR图像特征检测的概率模型 | 第27-35页 |
| 2．3．1 相干斑和系统噪声的统计特性 | 第28-30页 |
| 2．3．2 SAR图像单个分辨单元及点目标特征检测的统计模型 | 第30-34页 |
| 2．3．3 SAR图像分布式目标、特定地域的特征检测的统计模型 | 第34-35页 |
| §2．4 SAR图像地物分类技术的基础理论 | 第35-39页 |
| 2．4．1 统计模式识别技术应用于SAR图像地物分类的基础 | 第35-36页 |
| 2．4．2 神经网络和模糊神经网络应用于SAR图像地物分类的基础 | 第36-39页 |
| §2．5 SAR图像质量评估和分类算法错误率的估计方法 | 第39-42页 |
| 2．5．1 SAR图像质量评估 | 第39-40页 |
| 2．5．2 SAR图像分类错误率的估计 | 第40-42页 |
| §2．6 本章小结 | 第42-43页 |
| 第三章 单视高分辨率SAR图像的RCS重构 | 第43-60页 |
| §3．1 引言 | 第43页 |
| §3．2 SAR图像噪声模型 | 第43-45页 |
| §3．3 SAR图像RCS重构算法分析 | 第45-49页 |
| §3．4 基于改进相关邻域模型的SAR图像RCS重构算法 | 第49-58页 |
| 3．4．1 标准Gamma MAP RCS重构算法 | 第49-51页 |
| 3．4．2 基于相关邻域模型的RCS重构 | 第51-52页 |
| 3．4．3 利用改进的相关邻域模型进行RCS重构 | 第52-54页 |
| 3．4．4 实验结果及算法评估 | 第54-58页 |
| §3．5 本章小结 | 第58-60页 |
| 第四章 基于统计分布模型的SAR图像地物分类算法 | 第60-89页 |
| §4．1 引言 | 第60-61页 |
| §4．2 样本集类别属性标定算法 | 第61-67页 |
| §4．3 基于BETA-PRIME统计模型的SAR图像地物分类算法 | 第67-73页 |
| 4．3．1 Beta-Prime模型 | 第67-70页 |
| 4．3．2 参数训练过程和分类结果 | 第70-73页 |
| §4．4 融合BETA-PRIME统计模型和二项式GAMMA分类器的SAR图像地物分类算法 | 第73-79页 |
| 4．4．1 二项式Gamma分类器 | 第73-76页 |
| 4．4．2 融合算法和分类结果 | 第76-79页 |
| §4．5 基于RCS重构和空间位置模型的SAR图像地物分类算法 | 第79-88页 |
| 4．5．1 利用RCS重构进行目标和阴影检测 | 第79-81页 |
| 4．5．2 利用形态学算子进行图像分割 | 第81-82页 |
| 4．5．3 利用空间联合位置模型进行类别粗判 | 第82-85页 |
| 3．5．4 实验结果和算法评估 | 第85-88页 |
| §4．6 本章小结 | 第88-89页 |
| 第五章 基于神经网络的SAR图像地物分类算法 | 第89-127页 |
| §5．1 引言 | 第89-90页 |
| §5．2 径向基函数网络（RBFN）模型分析 | 第90-102页 |
| 5．2．1 标准RBFN模型及用于分类的概率机理 | 第91-94页 |
| 5．2．2 RBFN的常用变型结构 | 第94-97页 |
| 5．4．3 RBFN的常用参数训练方法 | 第97-102页 |
| §5．3 混合双隐层径向基函数网络（MDHRBFN）模型及地物分类算法 | 第102-114页 |
| 5．3．1 MDHRBFN模型结构 | 第103页 |
| 5．3．2 自适应模糊序贯聚类样本类别标定算法 | 第103-106页 |
| 5．3．3 网络参数学习方法 | 第106-108页 |
| 5．3．4 分类算法的训练过程、分类结果与评估 | 第108-110页 |
| 5．3．5 算法结果与评估 | 第110-114页 |
| §5．4 模糊推理系统与标准RBFN的功能等价关系 | 第114-118页 |
| 5．4．1 模糊推理系统及其网络结构模型 | 第114-117页 |
| 5．4．2 模糊推理系统与标准RBFN的功能等价关系 | 第117-118页 |
| §5．5 自适应模糊径向基函数网络（AFRBFN）模型及地物分类算法 | 第118-125页 |
| 5．5．1 自适应模糊径向基函数网络（AFRBFN）模型 | 第118-119页 |
| 5．5．2 自适应模糊径向基函数网络（AFRBFN）模型网络参数学习方法 | 第119-121页 |
| 5．5．3 分类算法的训练过程、分类结果与评估 | 第121-125页 |
| §5．6 本章小结 | 第125-127页 |
| 第六章 四种分类算法的性能比较和集成应用 | 第127-136页 |
| §6．1 概述 | 第127页 |
| §6．2 论文提出的四种分类算法性能分析 | 第127-134页 |
| 6．2．1 四种分类算法对经典算法的改进 | 第127-130页 |
| 6．2．2 四种分类算法之间的性能对比 | 第130-134页 |
| §6．3 SAR图像地物分类算法集成系统软件的实现 | 第134-135页 |
| §6．4 本章小结 | 第135-136页 |
| 第七章 结束语 | 第136-140页 |
| §7．1 课题的主要研究成果及创新点 | 第136-137页 |
| §7．2 后续应开展的研究工作 | 第137-140页 |
| 致谢 | 第140页 |
| 作者在攻读博士学位期间完成的论文 | 第140-141页 |
| 参考文献 | 第141-150页 |
| 附录 | 第150-167页 |
