| 中文摘要 | 第1-6页 |
| abstract | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·SAR图像特征提取 | 第10-11页 |
| ·SAR图像分类 | 第11-13页 |
| ·本文的主要研究内容 | 第13页 |
| ·本文的结构安排 | 第13-15页 |
| 第二章 基础知识 | 第15-21页 |
| ·SAR的成像原理 | 第15-17页 |
| ·SAR图像的统计性质 | 第17-18页 |
| ·基于相干斑的先验假设统计模型 | 第17-18页 |
| ·基于实验数据的经验分布模型 | 第18页 |
| ·SAR图像的基本特性 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于改进的AdaBoost的SAR图像分类方法 | 第21-32页 |
| ·AdaBoost算法 | 第21-23页 |
| ·AdaBoost算法的基本原理 | 第21-22页 |
| ·传统AdaBoost算法 | 第22-23页 |
| ·非平衡AdaBoost算法分析 | 第23-24页 |
| ·样本权重与抽样训练的关系与问题 | 第23-24页 |
| ·不同分类器对分类器集正样本识别能力的影响 | 第24页 |
| ·非平衡AdaBoost算法分析 | 第24页 |
| ·改进的AdaBoost分类器构造 | 第24-29页 |
| ·灰度共生矩阵（GLCM）的特征提取 | 第25-27页 |
| ·改进的AdaBoost分类器构造 | 第27-29页 |
| ·实验结果与分析 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 第四章 基于BootStrap的AdaBoost的SAR图像分类方法 | 第32-43页 |
| ·基于随机决策树的AdaBoost算法 | 第32-34页 |
| ·基于BootStrap的AdaBoost算法 | 第34-35页 |
| ·分类变量的评估 | 第35-36页 |
| ·变量相关性 | 第35-36页 |
| ·生成基于变量随机选择的随机树 | 第36页 |
| ·基于纠错编码的多类分类问题 | 第36-37页 |
| ·自适应哈达玛矩阵编码方法 | 第37页 |
| ·分类精度的评价 | 第37-38页 |
| ·实验结果与分析 | 第38-42页 |
| ·本章算法的实验结果与分析 | 第38-40页 |
| ·同第三章提出算法的对比分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 总结与展望 | 第43-45页 |
| ·本文工作总结 | 第43页 |
| ·本文创新点 | 第43-44页 |
| ·工作展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 发表论文和科研情况说明 | 第49-50页 |
| 致谢 | 第50-51页 |