| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·选题背景及意义 | 第11-14页 |
| ·选题背景 | 第11-13页 |
| ·研究意义 | 第13-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·论文的主要内容 | 第15-17页 |
| 第2章 SAR 图像目标检测 | 第17-30页 |
| ·SAR 数据介绍 | 第17-18页 |
| ·SAR 图像噪声 | 第18-22页 |
| ·K-分布模型 | 第19-20页 |
| ·Log-normal 分布模型 | 第20页 |
| ·Gamma 分布模型 | 第20-21页 |
| ·Weibull 分布模型 | 第21-22页 |
| ·图像增强 | 第22-25页 |
| ·复数域上的正则化方法 | 第23页 |
| ·改进后的幅度域正则化方法 | 第23-24页 |
| ·实验结果 | 第24-25页 |
| ·CFAR 检测方法 | 第25-28页 |
| ·CA-CFAR 检测方法 | 第26-27页 |
| ·双参数CFAR 检测方法 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第3章 SAR 图像目标鉴别 | 第30-42页 |
| ·特征提取 | 第30-36页 |
| ·一种特征提取的分类方法 | 第30页 |
| ·车辆目标特征 | 第30-33页 |
| ·建筑物目标特征 | 第33-34页 |
| ·道路和桥梁目标特征 | 第34页 |
| ·舰船目标特征 | 第34-35页 |
| ·地域目标特征 | 第35-36页 |
| ·目标和阴影特征向量的提取 | 第36-41页 |
| ·Hu 七个不变矩 | 第37-38页 |
| ·一种目标和阴影Hu 不变矩组成的特征向量 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 SAR 图像目标分类 | 第42-53页 |
| ·常用目标分类方法 | 第42-45页 |
| ·SAIP 和MSTAR | 第42-43页 |
| ·常用的分类模型 | 第43-45页 |
| ·基于投票准则的FMM 和LVQ 神经网络分类方法 | 第45-52页 |
| ·FMM 神经网络分类器 | 第45-47页 |
| ·LVQ 神经网络分类器 | 第47-49页 |
| ·多分类器组合的投票表决规则 | 第49页 |
| ·分类框架 | 第49-50页 |
| ·实验结果与分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第60页 |