早期的 SAR ATR 主要利用有标记样本和浅层分类器进行研究。在 MIT 林肯研究中心的 SAIP[14,15]的系统主要模块中，研究人员收集了大量机载 SAR 图像，设计了五种不同的特征提 取算法，最终运用这些特征向量作为输入训练实现了一个分类器。该分类器仍需要对复杂图 像进行预处理和手动特征提取，特征稳健性依赖设计人员的先验知识，具有一定局限性。此外，它还需要大量有标记样本进行匹配和建模，为此林肯实验室甚至单独建立了样本数据库。 这显然不适应当前大数据时代海量无标记样本的特点。图 1。2 所示为 SAIP 系统的流程图。74535

深度学习理论自诞生起，由于其新颖的设计思路—模拟人类的认知过程，逐层进行，逐 步抽象，引起了国内外研究者的重视，在各领域有巨大的应用前景和应用价值。在图像识别 领域，Hinton 等[16]于 2012 年利用深度卷积神经网络对 ImageNet 图像数据库中的 LSVRC-2010 数据集进行处理。他们构建了一个具有 5 个卷积层并伴随若干最大池化层和三个全连接层和 1000 次迭代的 Softmax 的卷积神经网络，最终实现了将 top-5 错误率从 26。2%下降到 15。3% 的成果。有鉴于此，国内外大量学者进行相关研究。由于 ImageNet 数据库中的图像类型多且 结构较为复杂，学界常用其他数据库进行基于深度学习的图像识别研究。其中应用较为广泛 的数据库有 LeCun 等维护的 MINST[17]手写体数字数据库。Mark D。 McDonnell 等[18]构建了一 个深度卷积树网络模型，针对 MNIST 数据库样本处理，在大大减少了 CNN 网络参数的同时 也获得了小于 5%的误差。在医学图像分析领域中，利用深度学习特征的多实例学习（MIL）

[19]框架来训练分类器对包含克隆癌细胞的组织病理学图像的数据集的分类精度优于人工特征提取。2014 年， Yushi Chen[20]等将分层数据分类器应用于两个不同环境参数的分层数据集上（美国的肯尼迪空间中心（KSC）植被景观和意大利的帕维亚的城市景观），利用 SAEs 学习 模型分别提取这两个数据集的深度特征进行分类。混合主成分分析（PCA）、深度学习架构和逻辑回归构成的这个新的深度学习框架，提取的特征与光谱特征和空间域特征相比，具有最 高的分类精度。同时与分别利用 PCA、KPCA 和 NMF 方法提取的特征的性能相比较，该分 类器的分类的精度也有极大的优势。2006 年，Koray Kavukcuoglu[21]等提出了一种基于两种不 同的卷积稀疏编码方式的学习分层抽取器，其所构建的多阶架构在目标检测问题上性能能够 媲美功能同类的系统。为了能够得到符合数据分布结构的特征，孙志军等[22]于 2013 年提出了 结合无监督的预训练和基于边际 Fisher 准则的有监督训练过程的深度学习模型。论文网

深度学习是一类由大数据驱动的学习算法，能够有效解决 SAR ATR 领域中有标记样本 不足的问题。即使缺乏足够的先验知识，深度学习也可以利用海量无标记样本获取目标相对 稳健的特征。2014 年， Chen, S。 等[2]在 SAR 领域采用 CNN 学习模型。他们的研究表明对于 充满噪声、目标难以分辨的 SAR 图像，CNN 学习模型也能从未知输入像素中学习特征，实 现分类器功能。虽然对同一 MSTAR 数据集的样本进行分类，手动提取特征仍比自动单层 CNN 学习模型提取特征的分类精度高，但是优势平均仅在 5%左右。根据理论分析和实验结果，可 预期多层深度 CNN 学习模型完善后可以有更好的性能表现。2015 年，Hu, F。等[23]利用 CNN 算法处理 SAR 图像，将从 CNNs 预训练提取的特征传输给高分辨率遥感（HRRS）场景分类 器进行分类，结果显示对 UCM 数据集和 WHU-RS 数据集的分类精度分别高达 96。90%、98。64%。 此外， 2016 年，Sizhe Chen 等[24]基于 ConvNets 算法，构建了一个去除传统 ConvNets 网络 全连接架构的新型 A-ConvNets 多级网络。该模型能够直接从大型数据集中的自动学习分层特 征，而不需要依赖于人工提取特征。针对 MSTAR 数据的实验结果现实 A-ConvNets 能够达到 十级分类下 99％的精度。可见，基于深度学习的提取的目标特征的分类精度普遍优于浅层学 习的提取的特征分类性能。