| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究课题的背景和目的意义 | 第8页 |
| 1.2 SAR研究现状 | 第8-10页 |
| 1.3 本论文主要研究内容及章节安排 | 第10-12页 |
| 第二章 SAR图像去噪处理的研究 | 第12-29页 |
| 2.1 SAR图像相干斑的乘性噪声模型 | 第12-13页 |
| 2.2 SAR图像的几种传统去噪方法 | 第13-17页 |
| 2.2.1 Lee滤波器去噪 | 第13-14页 |
| 2.2.2 Kuan滤波器去噪 | 第14页 |
| 2.2.3 小波变换去噪 | 第14-16页 |
| 2.2.4 基于Contourlet变换去噪 | 第16-17页 |
| 2.3 基于头脑风暴优化策略的NSCT阀值图像去噪算法 | 第17-28页 |
| 2.3.1 非下采样Contourlet（NSCT）变换概述 | 第17-19页 |
| 2.3.2 头脑风暴算法的优化及改进 | 第19-22页 |
| 2.3.3 基于阀值优化的NSCT自适应图像去噪处理 | 第22-24页 |
| 2.3.4 本论文采用改进算法的去噪仿真 | 第24-26页 |
| 2.3.5 实验仿真结论与对比分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 SAR图像压缩方法改进研究 | 第29-42页 |
| 3.1 SAR图像的几种传统压缩方法 | 第29-32页 |
| 3.1.1 基于矢量量化编码的SAR图像压缩 | 第29-30页 |
| 3.1.2 基于DCT变换的SAR图像压缩 | 第30-31页 |
| 3.1.3 基于小波变换的SAR图像压缩 | 第31-32页 |
| 3.2 自适应二维隐式稀疏采样的压缩感知算法 | 第32-37页 |
| 3.2.1 压缩感知概述 | 第32页 |
| 3.2.2 压缩感知理论 | 第32-33页 |
| 3.2.3 基于新型稀疏采样的SAR压缩感知算法 | 第33-37页 |
| 3.3 算法仿真与结论分析 | 第37-41页 |
| 3.3.1 算法性能的仿真与分析 | 第37-40页 |
| 3.3.2 仿真结论对比分析 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于新型深度学习神经网络的SAR图像目标分割及识别方法 | 第42-58页 |
| 4.1 SAR图像分割的定义 | 第42页 |
| 4.2 SAR图像目标识别的难点及传统识别方法的缺点 | 第42-44页 |
| 4.2.1 传统深度学习神经网络的缺点 | 第43页 |
| 4.2.2 传统支持向量机SVM的缺点 | 第43-44页 |
| 4.2.3 传统SOM模型的缺点 | 第44页 |
| 4.3 深度学习 | 第44-47页 |
| 4.3.1 深度学习的基本思想 | 第45页 |
| 4.3.2 深度信念网络（Deep Belief Networks,DBNs） | 第45-46页 |
| 4.3.3 深度信念网络的学习 | 第46-47页 |
| 4.4 广义回归神经网络（GRNN） | 第47-49页 |
| 4.4.1 GRNN的理论基础 | 第47-48页 |
| 4.4.2 GRNN的网络结构 | 第48-49页 |
| 4.5 基于新型深度学习神经网络的SAR图像目标分割识别 | 第49-53页 |
| 4.5.1 受限玻尔兹曼机（RBM）的模型定义 | 第49-50页 |
| 4.5.2 受限玻尔兹曼机（RBM）的学习 | 第50-51页 |
| 4.5.3 基于改进遗传算法优化的RBM训练 | 第51-52页 |
| 4.5.4 基于层叠RBM与GRNN的深度信念神经网络 | 第52-53页 |
| 4.6 新型深度学习神经网络的性能仿真 | 第53-57页 |
| 4.6.1 算法仿真分析 | 第53-54页 |
| 4.6.2 仿真结论对比分析 | 第54-55页 |
| 4.6.3 算法稳定性对比分析 | 第55-57页 |
| 4.6.4 算法鲁棒性对比分析 | 第57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-59页 |
| 5.1 全文总结 | 第58页 |
| 5.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 攻读学位期间发表的学术论文 | 第65页 |
