对于感兴趣目标的数量、位置、型号等参数信息的精确获取一直是合成孔径雷达(SAR)技术中心最为重要的研究内容之一。现阶段的SAR信息处理主要分为成像和解译两大部分，两者的研究相对独立。SAR成像和解译各自开发了大量算法，复杂度越来越高，但SAR解译并未因成像分辨率提高而变得简单，特别是对重点目标识别率低的问题并未从本质上得以解决。针对上述问题，文章提出了从SAR成像解译一体化角度出发，尝试利用“数据驱动+智能学习”的方法提升机载SAR的信息处理能力。首先分析了基于"数据驱动+智能学习"SAR学习成像方法，给出了学习成像框架、网络参数选取方法、网络训练方法和初步的仿真结果，并分析了需要解决的关键性技术。 SAR解译方面，目前对SAR图像中感兴趣目标的解译工作仍大量依靠人工完成，无法满足目标信息处理的实时性需求。受SAR图像尺寸大、相干斑噪声严重、背景复杂、目标轮廓模糊等因素的影响，现有的SAR图像解译方法在有效性、准确性和时效性方面同样无法满足对重点目标的信息处理需求。另外,现有SAR解译方法主要从SAR图像中提取目标信息，在图像预处理、特征提取等解译过程中丢掉了大量图像细节信息，导致了SAR成像资源的浪费。SAR成像和解译各自开发量大量算法，复杂度越来越高，但目标分类识别率低、目标属性判别困难的问题依然存在。 现有的SAR成像方法主要有两种：一种是基于匹配滤波的SAR成像方法，该方法不依赖任何目标的先验信息，直接通过傅里叶变换和匹配函数进行成像，具有实现简单、成像稳定的优点，但存在采样要求严格、分辨率受限、成像结果旁瓣较高等不足；另一种是基于稀疏矩阵优化理论的SAR成像方法，该方法将SAR成像问题转化为“反问题”，通过增加目标的稀疏先验信息对求逆模型进行约束，利用迭代优化算法求解场景的散射系数，具有采样率低、分辨率高、成像结果旁瓣小等优势，但目前也存在计算复杂度高、对机载平台误差适应能力弱、优化算法超参数选择困难等问题。 目前，智能学习类方法已经成功应用于SAR图像解译，能够从海量SAR图像数据中获取目标的高纬抽象特征，实现对目标的分类。然而现有方法只能够表征SAR从图像域到目标单一参数域的映射关系。 注：文章选自《基于“数据驱动+智能学习”的合成孔径雷达学习成像》
