| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 干涉SAR的发展历史 | 第14-16页 |
| 1.2 干涉SAR的应用领域 | 第16-17页 |
| 1.3 干涉SAR的研究现状 | 第17-18页 |
| 1.4 干涉SAR图像分类的研究现状 | 第18-19页 |
| 1.5 论文的主要工作和内容安排 | 第19-22页 |
| 第二章 干涉SAR技术原理及相干图分析 | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 干涉SAR技术原理 | 第22-28页 |
| 2.2.1 干涉SAR测量模式 | 第22页 |
| 2.2.2 干涉SAR基本原理 | 第22-25页 |
| 2.2.3 干涉SAR的数据处理流程 | 第25-27页 |
| 2.2.4 干涉SAR数据常用处理软件 | 第27-28页 |
| 2.3 干涉SAR数据的相干图原理 | 第28-31页 |
| 2.3.1 相干图 | 第28-29页 |
| 2.3.2 影响相干性的各种因素分析 | 第29-30页 |
| 2.3.3 阴影和叠掩相干性分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于相干图的干涉SAR图像分类 | 第32-44页 |
| 3.1 引言 | 第32-33页 |
| 3.2 高斯混合模型（GMM）和支持向量机（SVM） | 第33-35页 |
| 3.2.1 高斯混合模型原理简介 | 第33页 |
| 3.2.2 支持向量机原理 | 第33-35页 |
| 3.3 干涉SAR图像特征分析 | 第35-36页 |
| 3.3.1 灰度特征 | 第35页 |
| 3.3.2 纹理特征 | 第35-36页 |
| 3.4 基于不同特征的干涉SAR分类 | 第36-40页 |
| 3.4.1 实验数据 | 第36页 |
| 3.4.2 算法流程 | 第36-38页 |
| 3.4.3 基于不同特征的分类结果 | 第38-40页 |
| 3.5 基于相干图分割结果的干涉SAR图像分类 | 第40-42页 |
| 3.5.1 相干图分割 | 第40-41页 |
| 3.5.2 基于相干图分割结果的干涉SAR图像分类 | 第41-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 基于深度学习的干涉SAR图像分类 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 深度信念网络（DBN模型） | 第44-48页 |
| 4.2.2 限制玻尔兹曼机（RBM） | 第45-47页 |
| 4.2.3 BP网络 | 第47-48页 |
| 4.3 SAE模型简介 | 第48页 |
| 4.4 基于DBN模型的干涉SAR图像分类 | 第48-54页 |
| 4.4.1 实验数据 | 第48-49页 |
| 4.4.2 DBN层数、节点数及学习率的确定 | 第49-51页 |
| 4.4.3 实验结果 | 第51-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |