| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-16页 |
| 1.1 选题背景与意义 | 第8-9页 |
| 1.2 SAR自动目标识别的国内外研究现状 | 第9-11页 |
| 1.2.1 SAR图像特征提取 | 第10-11页 |
| 1.2.2 SAR目标识别算法 | 第11页 |
| 1.3 表示学习理论在SAR自动目标识别中的应用 | 第11-13页 |
| 1.4 SAR图像目标识别流程 | 第13-14页 |
| 1.5 本文研究内容及章节安排 | 第14-16页 |
| 1.5.1 本文研究内容 | 第14页 |
| 1.5.2 本文的章节安排 | 第14-16页 |
| 2 SAR成像原理及特征提取 | 第16-28页 |
| 2.1 SAR成像原理及实验数据介绍 | 第16-18页 |
| 2.1.1 SAR成像原理 | 第16-17页 |
| 2.1.2 实验数据介绍 | 第17-18页 |
| 2.2 SAR目标图像的特征提取 | 第18-27页 |
| 2.2.1 SAR图像的PCA特征提取 | 第18-20页 |
| 2.2.2 SAR图像的小波变换特征提取 | 第20-22页 |
| 2.2.3 SAR图像的Gabor变换特征提取 | 第22-24页 |
| 2.2.4 SAR图像的二维切片Zernike矩特征提取 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于两级多任务表示学习的SAR图像目标识别 | 第28-50页 |
| 3.1 稀疏表示模型及求解方法 | 第28-31页 |
| 3.1.1 稀疏表示理论模型 | 第28-29页 |
| 3.1.2 稀疏表示模型的求解 | 第29-31页 |
| 3.1.3 稀疏表示的识别规则 | 第31页 |
| 3.2 协同表示模型及求解方法 | 第31-32页 |
| 3.3 两级多任务表示学习 | 第32-35页 |
| 3.3.1 第一级:l_(2,1)范数正则化的多任务稀疏表示学习 | 第33-34页 |
| 3.3.2 第二级:多任务协同表示学习 | 第34-35页 |
| 3.4 SAR目标自动识别实验与分析 | 第35-48页 |
| 3.4.1 实验数据集 | 第35-36页 |
| 3.4.2 实验过程总述 | 第36页 |
| 3.4.3 三类目标识别实验与分析 | 第36-46页 |
| 3.4.4 噪声干扰下的目标识别实验与分析 | 第46-47页 |
| 3.4.5 俯仰角变化下的目标识别实验与分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 4 基于多特征低秩表示融合的SAR图像目标配置识别 | 第50-68页 |
| 4.1 秩极小化思想的引入和低秩表示模型 | 第50-52页 |
| 4.1.1 秩极小化思想的引入 | 第50-51页 |
| 4.1.2 低秩表示的理论模型 | 第51-52页 |
| 4.2 基于多特征低秩表示融合的SAR目标配置识别 | 第52-60页 |
| 4.2.1 SAR图像的低秩表示模型及求解 | 第53-57页 |
| 4.2.2 基于低秩表示系数的目标识别 | 第57-58页 |
| 4.2.3 两级决策融合 | 第58-60页 |
| 4.3 SAR目标自动识别实验与分析 | 第60-67页 |
| 4.3.1 实验数据集 | 第60-61页 |
| 4.3.2 实验过程总述 | 第61-62页 |
| 4.3.3 七类配置识别实验与分析 | 第62-66页 |
| 4.3.4 俯仰角变化下的目标识别实验与分析 | 第66-67页 |
| 4.4 本章小结 | 第67-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 本文总结 | 第68页 |
| 5.2 本文展望 | 第68-70页 |
| 参考文献 | 第70-78页 |
| 附录 | 第78-80页 |
| A.作者在攻读学位期间发表的论文目录 | 第78页 |
| B.作者在攻读学位期间申请的发明专利目录 | 第78-79页 |
| C.学位论文数据集 | 第79-80页 |
| 致谢 | 第80页 |
