雷达地面目标识别技术现状与展望

郭鹏程 王晶晶 杨龙顺

摘 要：      雷达地面目标识别技术是空地导弹雷达导引头智能化和信息化的重要技术支撑手段。近年来，学者们对地面目标识别技术做了大量研究，但是随着现代化战争攻防对抗日益激烈，雷达地面目标识别技术的应用面临着诸多问题，成为长期制约精确制导武器发展的瓶颈因素。为了更好地使相关雷达从业者了解该领域的研究现状和未来的发展趋势，本文介绍了雷达目标识别技术的概念，总结了面向装备应用雷达地面目标识别存在的技术难点，对国内外研究现状进行了概括，最后对该技术的发展趋势进行了展望。

关键词：     雷达地面目标识别; 精确制导; 噪声稳健; 杂波稳健; 小样本; 群目标; 空地导弹

中图分类号：     TJ760; TN95

文献标识码：    A文章编号：     1673-5048（2022）02-0001-12

DOI：10.12132/ISSN.1673-5048.2022.0012

1 雷达目标识别技术介绍

现代化战争具有突发性、快速性、战场环境复杂的特点，对高技术型武器的信息化和智能化要求越来越高[1-3]。相比于激光、红外等其他探测装置，雷达不受环境状况的约束，具有全天时、全天候和远距离探测目标的能力，在导弹精确制导领域具有重要的应用[4]。

雷达自动目标识别技术（Radar Automatic Target Recog-nition， RATR）是指利用雷达发射电磁波照射目标，对获得的回波进行分析以确定目标的种类、型号属性的技术[5-7]。典型的雷达目标识别方法分为训练阶段和工作阶段，其工作流程如图1所示。训练阶段多在线下完成，主要包括数据获取、预处理、特征提取和分类器训练步骤，其中，特征提取得到特征提取器的模型参数，如在采用特征投影算法时的投影矩阵、在采用深度神经网络时的网络参数等; 分类器训练步骤得到分类器模型参数，如采用支持向量机（Support Vector Machine， SVM）分类器时的边界向量参数等。工作阶段在线上进行，包括数据获取、预处理、特征提取和分类决策步骤，最后输出目标的类别属性。

按照对目标区分的层次不同[5]，RATR包括三个层次的含义： 目标鉴别（Target Discrimination）、目标分类（Target Classification）和目标辨识（Target Identification），如图2所示，这三个层次是逐层递进的。目标鉴别即对检测得到的多个目标进行真假目标分辨，如待打击目标（如坦克、雷达车）和干扰（如角反射器）之间的区分，其所需处理的数据量较大，但计算复杂度较低。目标分类即对目标鉴别后得到的感興趣目标进行类别区分，如雷达车和坦克之间的区分，该阶段所需处理的数据量小于目标鉴别，但是计算复杂度较高。目标辨识是在目标分类的基础上确认同类目标的具体型号，该阶段处理的数据量最少，但由于待区分目标形状接近，故识别模型最为复杂，计算复杂度最高。

RATR技术是导弹智能化、信息化的重要技术支撑手段，可有效提高我方战斗力和战场生存能力、减少作战成本、提高作战效率，因此，对RATR技术的研究具有重要的军事应用价值[9]。

2 弹载雷达地面目标识别面临的问题

精确制导武器的核心部件是导引头，导引头通过感知复杂战场环境，完成对感兴趣目标的探测、识别和跟踪，最终引导导弹实现对目标的精确打击[10]。雷达导引头，特别是毫米波雷达导引头的工作频率高，易在更小的体积和重量下实现更大带宽，获得更高的距离分辨率、速度分辨率和角分辨率，在空地导弹领域取得了广泛应用[4， 11]。随着硬件水平和信号处理能力的不断提升，空地导弹导引头上搭载的雷达传感器经历了从窄带到宽带、从单极化到多极化的发展历程，从而使得雷达能够收集到目标更多的细节信息。与之相对应，学者们研究了基于单极化高分辨距离像（High Resolution Range Profile， HRRP）、单极化合成孔径雷达（Synthetic Aperture Radar， SAR）图像、多极化HRRP等的雷达地面目标识别技术，使得对地面目标的识别能力逐步提升[12]。

相比于反舰和防空等导弹应用，空地导弹雷达导引头面临更加复杂的地面环境，如图3所示，其主要感兴趣目标为装甲车辆、防空单元、运兵车、导弹发射车等。一方面，感兴趣目标可能处于草地、沙漠、丘陵、雪地、公路、农田等不同场景中，如图4所示，这些场景反射特性不同，地杂波统计特性不同，不同的地面背景对目标回波产生不同程度的调制，导致目标回波特性退化甚至发生变化。另一方面，地面场景中可能存在各种干扰，如敌方释放的有意电磁干扰、敌方布置的无源干扰（如角反射器、箔条）、自然干扰（如房屋、高压塔、树木、土丘）等，这些假目标对感兴趣目标的探测形成干扰。因此，雷达地面目标识别需具备对干扰的拒判能力和对感兴趣目标的辨别能力[13]。

在空地导弹雷达制导应用背景下，雷达地面目标识别面临的主要困难来源于以下几个方面：

（1） 感兴趣目标“慢且小”，导致回波信杂噪比低。

不同于海面舰船目标和空中飞机目标，地面车辆目标的雷达散射截面积（Radar Cross Section， RCS）较小，运动速度慢甚至静止，部分目标还配置掩护网，目标的RCS进一步减小，回波幅度相对较小。通常情况下，雷达目标识别训练阶段的数据是在较高的信杂噪比环境下获取的，因此，所用的训练数据质量好，信杂噪比高。然而在实际应用中，导弹由远及近接近目标，带来两个问题： a. 当雷达距离目标较远时，目标回波相对较弱，导致信噪比较低; b. 当雷达距离目标较近时，波束入射余角较大，地面散射系数较大，导致地杂波较强，信杂比较低。信杂噪比较低的测试数据与训练数据失配，如果不对噪声和杂波进行处理，识别准确度将受到极大的影响。因此，低信杂噪比下的目标识别是地面目标识别所面临的问题之一。

（2） 提前可获得的目标信息少，导致小样本识别问题。雷达目标回波可认为是目标上散射点的相干叠加，而目标不同方位的散射特性差异较大，其回波形状随着雷达观测视角的变化而变化，这便是其姿态敏感性。因此，在进行目标识别时，为了得到好的识别效果，训练样本应包含目标全方位的雷达回波，以实现对目标散射特性完备的表征。然而，对于雷达导引头来说，可获得的训练样本有限，原因主要有： a. 目标的非合作性。感兴趣目标多是敌方非合作目标，保密级别较高，我方难以获取感兴趣目标全姿态的回波，而雷达导引头需在有限样本下对感兴趣目标正确分类。b. 战场环境复杂多变。雷达波束照射范围内可能出现的干扰复杂多样，如不同形状的沟坎、房屋，敌方布置的有意干扰等。在线下阶段无法收集干扰的所有姿态回波样本，甚至缺乏很多类型的干扰回波样本，而空地雷达导引头需要在干扰样本有限的情况下对干扰进行正确拒判。有限样本将会导致训练得到的分类器产生过拟合，对测试样本的识别性能差。因此，小样本目标识别是雷达地面目标识别的主要问题之一。

（3） 目标集群化出现的概率高，导致波束内群目标识别问题。

地面感兴趣目标特别是装甲类车辆，通常集群化出现，且相互距离近，如图5所示，集群目标中的若干目标不可避免地同时出现在雷达导引头波束内。当波束内的各个目标径向距离相近甚至相同，其回波会出现部分或完全重合的现象。此时，若将多个目标当成单一目标处理，则由于目标距离像相对于训练模板发生较大变动而错判，从而导致识别的概率严重降低[14-15]。

3 雷达地面目标识别技术研究现状

3.1 噪声/杂波稳健的地面目标识别技术研究现状

3.1.1 噪声稳健的目标识别技术研究现状

由于低信噪比条件下的目标识别问题是地面目标、空中目标和海上目标雷达自动识别的通用问题，针对空中目标和海上目标的噪声稳健的RATR方法同样可应用于地面目标识别中，因此，这里概括低信噪比条件下的RATR方法時不区分应用场景。

目前，学者们对低信噪比环境下的雷达目标识别技术进行了大量研究，主要有三种解决途径： 第一种是提取噪声稳健的特征; 第二种是在识别前进行预处理，去除或减弱噪声分量; 第三种是在测试阶段根据噪声水平自适应更新分类器参数。

（1） 噪声稳健特征

噪声稳健的特征一直是学者们研究的重点内容。双谱特征很早就被证实是一种对噪声稳健的特征。由于加性高斯白噪声双谱为0，故学者们提出很多与双谱有关的特征，如对数双谱[16]、径向积分双谱[17]、轴向积分双谱[18]、圆周积分双谱[19]、按照Fisher准则选定的双谱元素特征[20]等，均对噪声具有稳健性。然而在实际应用中，由于双谱特征计算量大的特点，其应用范围受到限制。

强散射中心幅度较大，同样具有噪声稳健性，且其维度小，在运算量、所需存储空间和识别性能上均有明显的优势。基于此，文献[21]利用矩阵束法提取散射中心，定义了散射中心阶数、相对位置和中心矩三个特征进行识别，并利用外场实测数据验证了该方法的噪声稳健性。文献[22]基于散射中心的稀疏分布特性，利用正交匹配追踪（Orthogonal Matching Pursuit， OMP）算法提取了HRRP主散射中心幅度和位置信息作为特征，并利用Hausdorff距离实现散射中心集间的匹配，实测数据实验表明该算法的噪声稳健性优于对比算法。然而，强散射中心的径向位置属性具有平移敏感性，在进行提取时需进行对齐处理。

深度神经网络能够提取对目标表征能力更强的特征，在近几年里，学者们针对低信噪比下的雷达目标识别问题设计了若干适用的网络模型。文献[23]提出深度u型盲去噪网络（Deep-u-Blind Denoising Network， DUBDNet）。文献[24]提出梯度稳定递归神经网络（Gradient Stabilized Recurrent Neural Network， GS-RNN）。文献[25]基于卷积神经网络（Convolutional Neural Networks， CNN）结构增强训练集、使用残差块并使用降噪自编码增强网络形成神经网络。文献[26]针对全极化HRRP目标识别提出联合卷积长短时记忆网络（Long Short-term Memory Networks， LSTM）和自注意力机制的网络模型，均取得较好的噪声稳健性。在实际应用中，神经网络的训练需要大量的训练样本，否则容易出现过拟合问题，这使得其应用范围受到限制。

另外，文献[27-28]利用小波变换改善了噪声环境下的识别性能。文献[27]利用多贝西小波（Daubechies Wavelet）将原始HRRP分为多个子带信号，然后对每个子带信号建立分类器，最后对多个子带信号的分类器结果进行融合得到目标类别。文献[28]通过实验发现大量的HRRP信号是不具备判别性的，而通过小波去噪预处理能够有效去除非判别信息，从而显著提高分类性能。

在全极化体制下，文献[29]利用时间平均的方式对HRRP序列进行H/α分解，并利用散射熵和极化角特征对目标散射机制进行分类，分析了杂波和噪声对这两个特征的影响以及分类性能。文献[30]针对全极化HRRP目标识别，利用Cameron分解投影方法提取目标在三面角、二面角和1/4波长器件这三个散射基上的投影，然后分别提出特征级融合简化核极限学习机（Reduced Kernel Extreme Learning Machine， RKELM）和决策级融合RKELM进行融合分类，实验表明该方法在不同的训练样本数下均获得较高的噪声稳健性。

（2） 去除噪声分量

利用噪声和目标信号特性的不同将噪声和目标回波进行分离是解决低信噪比情况下目标识别性能差的另一种方法。子空间投影特征利用一定的映射关系，将目标回波或者其特征变换投影到信号子空间和噪声子空间，然后去除噪声子空间而只保留信号子空间达到去除噪声的目的，典型的特征投影方法如主成分分析（Principal Components Analysis， PCA）[31]、线性判别分析（Linear Discriminant Analysis， LDA）[32]、奇异值分解（Singular Value Decomposition， SVD）[33]等，均在低信噪比条件下的雷达目标识别中取得较好的效果。

对距离像进行平均可将回波的信噪比提升N倍，能够有效抑制回波中的散斑效应，抑制噪声尖峰和幅度波动特性的影响。基于此，文献[5]分别使用平均距离像和散射点强度分布像进行识别，发现两种平均方法均具有噪声稳健性，而散射点强度分布像还有提高HRRP方位稳定性的性能。文献[34]构建了堆栈联合稳健自编码器，该模型利用平均距离像构建稳健约束，不仅使模型具有噪声稳健性，还松弛了HRRP的姿态敏感性。在实际应用中，对距离像进行平均的方法需要在不发生越距离单元走动的角域内收集多个HRRP样本。

（3） 根据噪声水平对分类器参数进行调整

第三种改善低信噪比条件下目标识别的方法是根据噪声水平在测试阶段对分类器的相应参数进行自适应修正。典型方法的思路为： 以连续HRRP序列数据为基础，在训练阶段根据HRRP各距离单元的分布特性进行统计建模，常用的统计模型有自适应高斯分类器（Adaptive Gaussian Classifier， AGC）[35]、Gamma Mixture模型[36-37]、Gamma-Gaussian Mixture模型[38]、因子分析（Factor Analysis， FA）模型[39-40]等，在识别阶段首先估计测试样本的噪声水平，然后对相关模型参数进行修正，最后使用Bayes分类器计算该样本在各类别下的类后验概率大小确定其类别归属。这类方法需要大量的训练样本估计模型参数，且测试阶段模型修正的计算量较大。

另一种思路是采用稀疏表示对信号进行重构，从而去除噪声分量。稀疏表示分类器在训练阶段利用训练样本构建完备的字典，然后在分类阶段寻找测试样本在字典上的稀疏线性组合。文献[41]提出一种能够根据测试样本环境噪声自动选择稀疏分解系数的K-SVD算法，提高了噪声背景下的目标识别性能。文献[42]在文献[41]的基础上，进一步提出鲁棒的字典学习算法，该方法克服了稀疏表示的不确定性，并对相邻HRRP之间的幅度变化具有稳健性。文献[43]提出相干简化分段K-SVD，能够在字典中原子数较少的情况下得到更高的识别概率，并提高实时性。文献[44]联合稀疏和低秩表示，同时对HRRP的局部特性和全局特性进行描述，并对去噪声字典进行优化，提高了低信噪比（Signal-to-Noise Ratio， SNR）条件下的识别性能。文献[45]提出一种基于增强型稀疏自编码器的HRRP去噪与重构方法，能够有效对信号进行重构并抑制噪声，在低信噪比条件下识别效果较好。

3.1.2 杂波稳健的目标识别技术研究现状

杂波影响下的雷达目标识别通常比单纯的噪声背景下更加困难。通常杂波的强度与目标信号强度相差不大，并且杂波谱与目标非常相似，一般难以通过上述去噪手段去除，且其统计分布通常随目标所处背景而变化。目前，有关杂波稳健的雷达目标识别技术研究较少，研究思路主要为将杂波和目标散射单元区分，然后对目标散射单元进行识别。文献[46]利用目标子空间和杂波子空间在时域和频域特性的差异，将目标所占支撑区截取，然后提取目标特征进行识别。文献[47]提出一种基于两次异常检测的雷达地面目标识别方法，该方法依据在方位像-徑向距离平面上杂波和目标分布的不同，认为杂波呈现单点和多点聚集状，如图6所示，将杂波散射单元视为异常点，利用两次异常检测的方法区分杂波和目标散射单元，最后利用实测地面车辆数据验证了其杂波稳健性。文献[48]提出点控玻尔兹曼机（Point-Wise Gated Boltzmann Machine， PGBM），该模型引入了选择因子变量，能够自动选取回波中目标的区域，从而只对目标区域提取特征，实验验证PGBM提升了噪声和杂波背景数据的识别性能。文献[49]受PGBM启发，基于自动编码器框架，提出逐点鉴别自编码器（Point-Wise Discriminative Autoencoder， PDAE），该模型引入了监督信息的约束，使得目标区域和杂波区域的区分更加精确。

3.2 小样本目标识别技术研究现状

3.2.1 数据增广

对训练样本进行数据增广可以帮助识别系统更全面地建模规律，从而提高模型的识别能力、泛化能力和鲁棒性。数据增广方法可大致分为两类。

第一类利用雷达回波产生原理仿真目标回波，如文献[13]提出一种基于混合模型的雷达非合作目标HRRP仿真方法，该方法首先利用散射点模型模拟目标的结构，然后利用高频时域电磁散射计算方法和HRRP统计特性得到每个散射点的散射强度，最后对目标各个姿态的HRRP进行仿真。该方法具有较高的实时处理能力，但受人为主观因素影响较强。文献[50]利用电磁仿真软件FEKO仿真目标各个姿态的雷达回波，然而在实际应用中目标的精确3D模型无法获知，且当入射电磁波频率较高时计算效率较低。

第二种类利用现有训练数据产生新的训练数据，如添加白噪声[51]、平移、翻转、旋转、Gamma对比度变化、log对比度变化[52]等操作，但是这种方式仅扩充了样本数据量，并没有增加新的目标信息，故性能提升有限。

随着生成对抗网络（Generative Adversarial Nets， GANs）的发展，其强大的样本生成能力在解决小样本雷达目标识别上得到了应用，基本结构如图7所示。GANs由生成器和判别器组成，生成器在输入为随机数据的情

况下，力求生成与真实数据分布相同的数据，而判别器力求将真实数据和鉴别数据正确分类，通过生成器和判决器之间的对抗，最终使得生成器生成与真实数据分布一致的伪造数据。

文献[53]利用GANs生成覆盖全部角度的SAR图像。文献[54]对比了DualGAN和SimGAN（Simulated GAN）的样本生成质量，发现DualGAN容易产生伪像，其性能劣于SimGAN。文献[55]联合循环生成对抗网络（Cycle-Consistent Adversarial Networks， CycleGAN）和孪生网络组成SPGAN（Similarity Preserving Generative Adversarial Network），合成SAR图像数据，提高了识别性能。文献[56]利用含多重鉴别器的MGAN（Mixture GANs）对训练数据增强，提高了识别性能。文献[57]仿真了在不同程度的知识缺失下，分别利用辅助分类器GAN（Auxi-liary Classifier GAN， ACGAN）和多模态无监督图像转换模型（Multimodal Unsupervised Image-to-Image Translation， MUNIT）进行HRRP数据增强，发现MUNIT的性能优于ACGAN，并得出结论： 在知识缺失程度较轻时进行数据增强可提高目标识别性能，而当知识缺失程度严重时，可学习的信息过少导致所学数据偏差较大，反而降低了目标识别性能。文献[58]提出一种角度旋转生成网络（Angular Rotation Generative Network， ARGN），在SAR图像方位维回波不完备的情况下生成特定角度下的SAR图像，改善目标识别性能。该网络利用迁移学习的思想，前提是源数据与目标数据之间方位角的信息是共享的。首先，在源域学习一个潜在的特征空间，使得同一目标在不同角度下的图像特征可以相互映射; 然后，将该映射关系迁移到目标任务中，由现有的目标回波数据生成特定方位角下的目标数据; 最后，利用特征提取网络得到目标特征，输入到SVM分类器中进行分类。

总体来说，生成对抗网络的出现为小样本目标识别的性能改善提供了思路，但正如文献[57]所述，当知识缺失程度严重时，其反而对目标识别性能产生负面影响。

3.2.2 模型优化

模型优化的思路大致可分为增加先验知识和降低分类模型的复杂度两类。学者们有时只利用其中一种思路处理小样本目标识别问题，有时也将两种思路结合起来进行处理。目前，解决小样本目标识别问题的方法主要有以下几种：

（1） 多任务学习（Multitask Learning）

多任务学习是指多个学习任务同时学习，在学习过程中，通过共享模型结构、参数等资源，提高模型的学习精度和泛化能力。目前，已经发展了因子分析、稀疏表示、深度自编码等模型的多任务学习模型缓解样本有限时的目标识别性能。文献[39]和[59]分别提出多任务因子分析、多任务复数因子分析模型，在多类目标帧概率密度函数的学习中，利用子任务之间的相关性共享参数，减少了对训练样本数的要求。文献[41]利用字典学习共享样本之间的内在关联信息，降低了识别方法对训练样本数的需求。文献[42]进一步提出鲁棒的字典学习，该方法克服了稀疏表示的不确定性，并对相邻HRRP 之间的幅度变化具有稳健性。文献[60]利用判别深度自编码模型（DDAEs）对样本进行全局训练，提高了小样本下的目标识别性能。在实际应用中，多任务学习方法仍需要每个方位帧包含几十个样本，对样本数量的要求改善有限。

（2）  迁移学习（Transfer Learning）

当目标任务训练数据缺乏时，迁移学习将与目标任务不同但相关的源任务上获得的知识应用到目标任务上，源任务一般具有大量训练模型所需的资源以保证其学习到的知识有效。根据迁移内容的不同，迁移学习可分为样本迁移、特征迁移、模型迁移和关系迁移[61]，其中，模型迁移在雷达目标识别中应用最为广泛，其工作流程如图8所示。首先，在源任务上，网络利用源任务数据预训练好模型; 然后，将部分网络结构迁移到目标网络中，冻结网络结构和参数; 最后，利用目标任务数据微调目标任务网络的其他参数，完成目标网络的模型训练。目标任务通过将在源任务模型中预训练的网络模型和权重作为先验知识，即使只有少量的数据，也可能取得好的性能。

文献[62]将无标签的SAR场景数据训练好的网络模型迁移到SAR人造目标识别任务上，取得了好的识别效果。文献[63]在模拟数据集上预训练网络模型，然后将其迁移到目标数据集上，其识别性能优于只利用目标数据集进行训练的性能。文献[64]利用自动识別系统（Automatic Identification System， AIS）收集到的有标签舰船数据作为源数据训练初始的SVM分类器，然后在目标数据集上进一步更新SVM参数。实验证明，在训练样本不足的情况下，通过AIS数据知识的传递，SVM分类器性能得到明显提升。文献[65]针对SAR目标识别中样本量少、存储量大和计算时间长的问题，首先利用ImageNet数据集训练卷积神经网络（Convolutional Neural Networks， CNN），然后迁移到MSTAR数据集并进行网络参数微调，最后采用滤波器剪枝方法得到一个紧凑的网络。该方法将网络速度提升了3.6倍，网络参数压缩了3.7倍，但识别率只降低了1.42%。文献[66]针对SAR目标识别中迁移学习的三个问题展开探讨： a. 哪些网络和源任务更适合迁移到SAR图像目标识别中; b. 哪些特征层在SAR目标识别中迁移更具有普适性; c. 如何有效地迁移到SAR目标识别。该文得出以下几个结论： a. 网络的可迁移性由网络的泛化能力和源任务与目标任务之间的距离决定，具有无标签的大量SAR图像数据比光学图像数据更适合迁移到SAR目标识别任务中; b. 深度网络提取的特征可分为通用特征和特定特征，特定特征与任务密切相关，而通用特征可迁移到其他相似的任务上; c. 所提出得基于多核最大均值差异（Multikernel Maximum Mean Discrepancy， MK-MMD）的域自适应方法，增加了迁移网络提取的特征在目标域的适应性。文献[67]将基于属性散射中心模型的电磁散射机理迁移到复数卷积神经网络中，对第一个卷积层进行调制，提高了目标识别性能。文献[68]将地面目标的HRRP数据作为源数据，将飞机目标作为目标数据，在利用迁移学习的基础上，通过引入深度域自适应网络考虑了源数据的类内一致性，提高了飞机目标的识别性能，并松弛了HRRP的姿态敏感性。

（3） 度量学习（Metric Learning）

度量学习旨在学习一个恰当的距离度量函数，以有效描述样本之间的相似性。好的度量方式能够使得同类样本之间的距离较小，而异类样本之间的距离较大。孪生网络（Siamese Neural Networks）和原型网络（Prototypical Network）是两种常用于解决小样本雷达目标识别问题的模型。孪生网络的结构如图9所示，由一对参数共享的双胞胎网络组成，分别接收不同的输入样本并在末端汇入能量函数，以计算输出特征的相似度。

原型网络假设在特征空间中每类样本均存在一个原型表示，各类样本特征均在原型向量周围。在训练阶段，学习样本的非线性映射，并将特征空间中该类特征的平均值作为原型向量; 在分类阶段，寻找与待分类样本的映射特征距离最近的原型向量类别作为其类别属性。

度量学习在小样本雷达目标识别中得到了应用。文献[69]利用孪生网络对不完备训练样本集下的SAR目标图像进行识别，证明了其识别性能优于对比算法。文献[70]设计了改进的孪生网络，同时具有分类器和相似鉴别器，该模型不仅提高了分类精度，还降低了GPU内存消耗，提高了分类速度。文献[71]联合CNN和度量学习，首先对CNN网络进行训练，然后将其特征提取网络嵌入到原型网络中，提高了小样本情况下地面目标识别性能。文献[72]提出混合孪生网络，首先对SAR图像进行预处理，得到3个通道的SAR图像数据，然后利用三元组损失函数对混合孪生网络进行训练，最后将三路输出特征进行融合，在少样本情况下取得了优于对比算法的识别性能。

（4）  元学习（Meta Learning）

不同于迁移学习提高模型在数据上的泛化能力，元学习旨在提高模型在多任务上的泛化能力。元学习的核心思想是“学会如何学习”，其模型通过学习多个任务的识别过程积累经验，从而在全新的目标任务上只需要少量样本便可实现快速学习，即元学习培养模型的自主学习能力。

元学习的学习过程分为元训练阶段和元测试阶段。数据集分为源任务数据集和目标任务数据集，通常源任务数据集用于元训练阶段，目标任务数据集用于元测试阶段。假设目标任务为对C类目标进行分类，每个类别中包含K个有标签样本，则该学习问题称为C-way K-shot; 源任务数据集包含R类目标，每类P个样本。在元训练阶段，首先，从源任务数据集中随机抽取C类目标，每类K个样本组成一个元任务数据集; 然后，从元任务数据集中每类的K个样本中随机抽取S个样本作为采样集，剩下的每类K-S个样本作为查询集Q; 接着，模型学习采样集样本后，对查询集样本进行预测，通过查询集样本的损失函数实现模型的训练。模型通过对源任务数据集的多次随机采样构建多个元任务进行学习训练，得到预训练后的网络模型。在元测试阶段，源任务数据集同样分为支撑集和测试集，已训练完成的网络首先在支撑集上完成学习，然后对测试集进行识别。

目前，元学习主要有三类方法： 基于度量的元学习、基于模型的元学习和基于优化的元学习。基于度量的元学习网络希望模型学会比较，并根据相似性对样本进行分类，其网络结构如图10所示。模型对查询集/测试集进行映射，并在映射空间比较特征向量和各类采样集/支撑集特征向量的相似性，最后进行分类。基于模型的元学习旨在生成一个能够设计模型的模型，网络模型灵活，可学习空间大。基于优化的元学习旨在学习神经网络的优化方式，此类方法不依赖于模型，但在训练过程中超参数搜索较为复杂。

元学习在解决小样本雷达目标识别问题取得了成功应用。针对基于HRRP的目标识别方面，文献[73]针对多极化HRRP小样本目标识别，采用了基于LSTM的元学习模型，并将HH极化方式下的回波作为元训练任务数据集，将HV极化方式下的回波作为元测试任务数据集，实验证明，该文采用的方法优于现有方法。文献[74]针对方位不完备下的HRRP识别问题，提出基于域感知能力的元神经网络（Domain-Aware Meta Network， DOAMN），其由域感知模块和基于模型的元神经网络模块两部分组成，域感知模块区分测试样本是否为训练样本已知的方位，若是，则将其送入库内样本分类; 若不是，则将其送入元网络，利用元学习进行识别。

针对SAR小样本目标识别问题，文献[75]提出一种概率元学习模型解决SAR目标识别中的小样本问题。该模型首先利用仿真数据学习模型的全局参数，然后利用实测数据组成新的任务，并利用摊销推理建立特定任务参数的后验概率模型，最后构建预测分布模型得到样本的类别置信度。该文利用实测数据验证了概率元学习模型在解决小样本问题上的优越性。文献[76]提出属性导向多尺度原型网络（Attribute-Guided Multi-Scale Prototypical Network， AG-MsPN），解决SAR目标识别中的小样本问题。该方法考虑到SAR图像的复数特性，首先，利用子带分解得到更完整的目标描述; 然后，考虑到不同卷积层输出特征的互补性，提出一种多尺度原型网络，提高了特征可分性，缓解了SAR目标图像的类内多样性和类间相似性高的问题; 最后，为了缓解源域数据较少时域性能差的问题，设计了SAR目标的先验二值属性，并在多尺度原型网络中添加了额外的属性分类模块，将图像映射到属性空间进行分类。该文利用MSTAR数据证明了所提AG-MsPN在3-way 5-shot，10-shot和20-shot情况下均优于对比算法，可显著提高小样本下的目标识别性能。文献[77]提出适用于小样本SAR目标识别的卷积-双向长短时原型网络（Conv-Bi LSTM Prototypical Network， CBLPN）。该网络分为两个阶段： 第一阶段为嵌入网络训练，将SAR图像从原始空间映射到可分性更高的嵌入空间; 第二阶段利用欧几里德距离对嵌入空间样本特征进行分类。文献[78]针对实际应用中的不同情况，结合迁移学习和元学习提出一套综合解决方案： 当源任务信息量缺乏或源任务与目标任务之间的差异较大时，利用迁移学习进行识别; 相反，采用元学习进行识别。该方案能够最大程度地发挥不同模型的优势，从而提高小样本目标识别的性能和效率。文献[79]基于元学习框架，在学习到多个相关任务的泛化性能后，引入迁移学习，对目标任务网络进行微调，提高了小样本下的识别性能。该文还得出以下对工程实践具有一定的指导意义的结论： a. 当源任务数据集与目标任务数据集之间的类别相关度較大时，元学习更优; 而当类别相关度较小时，迁移学习更优; b. 元学习适应于目标任务数据集包含的样本数极少的情况，而当目标样本数增多时，迁移学习性能更佳; c. 当源任务数据集中包含足够多的目标类别时，元学习才能达到好的泛化性能。

在元学习中，源任务数据集需包含足够的元任务，且包含多类样本。当源域任务缺乏时，元学习易产生过拟合问题。基于此，文献[80]关注于源域中少任务时的元学习问题，提出MSAR模型。该模型首先利用源域训练数据训练4CONV网络，获得先验知识，然后采用3种迁移学习方法将此网络迁移到元学习模型中，并采用困难任务挖掘机制使得模型更加关注困难任务，提高模型训练的有效性。

（5） 在线学习（Online Learning）

在线学习利用分类器在工作过程中收集到的样本在线更新分类器模型，使得分类器能够实时学习新样本中蕴含的有用信息，从而促进将来的学习和分类过程，在线学习的工作流程如图11所示。在线下阶段，收集的训练样本被用来对分类器进行训练，得到初始分类器模型参数; 在线上阶段，测试样本首先经过当前的分类器模型预测标签，然后将其作为新的训练样本对分类器的模型参数进行更新。由于在线学习方法需要在线对分类器进行更新，故在实际应用中，其实时性较差，对硬件水平的要求较高。

Yver[81]提出四种在线学习方法，包括在线自训练（self-training）标签传播（Label Propagation， LP）算法，自训练LASVM，LP和LASVM的结合，在线直推式支持向量机算法。自训练方法首先利用线下样本训练教师分类器，然后利用教师分类器生成无标签样本的伪标签，最后利用这些具有伪标签的样本更新分类器。这种更新方法无法降低由有限样本造成的偏差。LASVM方法在更新过程中得到分类器模型的近似解，其只能采用逐个更新的模式，而无法逐块更新，因此，在实际应用中计算耗时。文献[82]提出一种基于SAR图像的CNN更新方法。该方法利用线下样本训练CNN，然后利用SVM得到线上样本的伪标签，并用来更新网络参数。这种更新方法在MSTAR数据集上表现出令人满意的识别性能，然而，其必须存储所有的线上样本，对系统的存储资源造成负担。文献[83]采用在线学习的方法，在线下阶段，由简化核极限学习机RKELM算法利用线下得到的样本训练单隐层前馈神经网络的初始网络参数; 在线上分类阶段，迭代地进行伪标签标记和网络参数更新两个步骤： 一旦收集到一定数量的测试样本便利用辅助分类器标记伪标签，然后将伪标签置信度较高的测试样本当作额外的训练样本，利用在线序列RKELM算法对网络进行更新。实验证明，随着识别阶段更新过程的进行，目标识别性能逐渐提升，如图12所示，其识别率最高可提升6%。

（6） 干扰拒判

在实际应用中，干扰样本无法完备收集，为了剔除干扰的影响并正确识别感兴趣目标，学者们主要发展了两种解决思路： 第一种采用单类分类器进行识别; 第二种采用开集识别方法。

在单类分类器方面，文献[84]针对地面目标HRRP的库外目标鉴别问题，提出一种基于训练特征空间分布的雷达地面目标鉴别器。该文考虑到HRRP不同姿态下特征空间非均匀聚合的特点，对训练样本特征空间进行区域划分，然后对每个区域进行支持向量域描述。实验证明，该方法可提高对地面感兴趣目标的鉴别性能和对干扰的拒判性能。文献[85]针对单类分类器一类支持向量机（One-Class Support Vector Machine， OC-SVM）和支持向量域描述（Support Vector Data Description， SVDD）的高斯核参数优化问题，定义了样本的信息熵，且令信息熵大的样本靠近分类界面，信息熵小的样本远离分类界面，通过最大化边界样本的信息熵同时最小化内部样本的信息熵学习最优的高斯核函数。文献[50]分析了地面感兴趣目标和典型地面干扰在双圆极化和不同带宽下的电磁散射差异，提取了其在不同极化体制下的差异性特征，并利用SVDD分类器进行干扰拒判，取得较好的效果，并得出以下结论： 雷达带宽较大时，目标回波蕴含的细节信息越多，识别性能越高。

在开集识别方面，文献[86]分别研究了有先验知识下的开集HRRP识别和无先验知识的开集HRRP目标识别。有先验知识下的开集HRRP识别思路为： 假设输入的n个样本属于同一目标，则在进行识别时，若n个样本大部分被分为同一目标，则认为这些样本为该类目标; 若该n个距离像中大部分样本被分类器拒判，则认为出现了新的目标。无先验知识下的开集HRRP识别思路为： 利用模糊极大极小神经网络进行训练、识别，并设定阈值，若测试样本属于已知类别隶属度均小于阈值，则拒判该样本，否则将其判为隶属度最大的类别。文献[87]提出基于多分类器融合技术的雷达目标识别与拒判方法，首先设计了多分类器-最近邻系统，兼顾了分类器的识别和拒判性能，然后将多分类器融合技术应用到分类器-最近邻系统的识别和拒判两个阶段。该方法充分发挥了不同特征不同分类器的优势，从而能够得到较高的识别和拒判性能。文献[88]针对HRRP的识别问题，将极值理论引入随机森林分类器，使得输出能够确定测试样本是否应作为未知类被拒绝。文献[89]针对SAR目标识别中的拒判问题，提出对每类建立一个封闭边界的思路。该文首先确定每類的边界样本，然后利用边界样本拟合了样本被认为是已知样本的概率曲线，最后对每类样本的曲线进行整合，得到最终的封闭边界曲线。

3.3 群目标识别技术研究现状

目前，群目标识别技术的研究主要有两种思路： （1）对多目标进行分辨再进行目标识别; （2）将多目标回波作为一个整体建模直接进行目标识别。

对多目标进行分辨再进行目标识别的关键是多目标分辨。文献[90]是采用独立成分分析（Independent Component Analysis，ICA）算法直接在时域完成多目标回波分离。这种方法对于点目标且回波在距离维无重叠时效果较好，当距离维重叠时由于多目标回波完全相关而导致性能下降; 另外，该方法会将具有多个强散射中心的扩展目标回波分割为多个子目标，不适用于扩展目标。文献[91]基于单脉冲测角信息和高分辨距离像，提出一种基于非先验依赖密度聚类（Prior-Independent Density-Based Spatial Clustering of Applications with Noise，PI-DBSCAN）的HRRP多目标识别方法。其主要思想是利用单脉冲测角得到HRRP每个采样点的方位角，并把其投影到径向-方位向距离平面，然后利用PI-DBSCAN聚类算法在径向-方位向距离平面对采样点进行聚类，根据聚类结果完成子目标HRRP的分离，再分别对各个子目标进行分类识别。该方法对目标运动状态无约束，且不需要人为设置任何参数。为了解决文献[91]中方法计算复杂度较高的问题，文献[92]提出一种基于加权均值漂移（Weighted Mean Shift，Weighted-MS）聚类算法的多目标识别方法。该方法该采用Weighted-MS聚类完成各个子目标HRRP的提取，计算复杂度较低，有利于弹载平台下工程实现和应用。

第二种思路是不进行多目标分离直接进行目标识别。文献[93]利用旋转不变子空间（Estimation of Signal Parameters via Rotational Invariance Techniques， ESPRIT）算法提取目标的散射中心，然后与事先建好的多目标散射中心模板库进行匹配。该方法不需要分离各子目标回波，避免了由于分离结果不准确而带来的影响。然而，由于HRRP的姿态敏感性和多目标相对姿态组合多，该方法的模板库非常大且有较高的运算量，可实现的难度较大。

4 发展趋势

虽然国内外学者针对雷达地面目标识别技术展开了大量研究，积累了一大批卓有意义的理论和技术成果，但仍存在一些问题尚未解决或处理的不尽如人意。弹载雷达地面目标识别技术具有充足的发展空间，未来可以从以下几个方面进行研究：

（1） 成像、检测与识别一体化设计技术。目前，二维成像技术的研究一般是以提升成像质量为目标，这在遥感领域具有重要意义。然而，在机载、弹载等空中平台雷达的军事应用中，成像的最终目标是提升目标的检测识别概率，以提升成像质量为单一目标的成像技术不能满足现实军事需求。建立一种以任务（检测、识别率）为导向的成像、检测与识别一体化设计技术是未来发展的一个重要方向。

（2） 小样本甚至零样本目标识别技术。在实际应用中，需要识别的目标通常是非合作的，无法得到足够的样本量进行训练，甚至没有样本进行训练。虽然小样本目标识别问题已取得些许发展，但是这些技术离实际应用还有很大距离，必须发展适合工程应用的小样本目标识别技术。

（3） 具有终身学习的能力。传统雷达定型后，识别算法模型不再更新，性能不会随着不断使用而不断提升。未来雷达一方面会终身学习，并利用工作中学习到的信息优化算法模型，更新环境、目标和干扰的知识库，最终实现装备越用越好; 另一方面，当前雷达会利用其他雷达传感器学习到知识，更新或者完善自身算法模型。

（4） 具备协同识别能力。雷达可以与同一平台的其他波段雷达、光学、红外传感器开展融合识别，也可以与其他平台（其他弹、星载、机载）的传感器协同成像和识别，合理利用体系中的传感器资源有利于对目标形成全方位的认知，从而提高识别性能。

5 结 束 语

雷达地面目标识别技术对精确打击武器，特别是空地导弹具有重要意义。如何提高雷达地面目标识别的性能，是当前研究的重点。本文首先介绍了雷达目标识别技术的概念，然后分析了雷达导引头地面目标识别技术面向装备应用面临的问题，随后基于问题解决方法介绍了地面目标识别技术的研究现状，最后对其发展趋势进行了展望。人工智能等学科的发展为雷达地面目标识别技术的难点解决提供了新的可能，值得从业者关注。

参考文献：

[1] 张锦. 电子战飞机，信息化战争的“刀斧手”[N]. 环球时报， 2021-09-23（8）.

Zhang Jin. Electronic Warfare Aircraft， the "Chopper" of Information War[N].Global Times， 2021-09-23（8）. （in Chinese）

[2] 杨扬， 张兆鑫. 未来战争中的电子战系统及其影响[J]. 军事文摘， 2021（12）： 41-45.

Yang Yang， Zhang Zhaoxin. Electronic Warfare System and Its Influence in Future War[J]. Military Digest， 2021（12）： 41-45.（in Chinese）

[3] 王握文， 雷雯. 科技创新改变战争样式[N]. 解放军报， 2021-08-06（11）.

Wang Wowen， Lei Wen. Scientific and Technological Innovation Changes the Style of War[N]. PLA Daily， 2021-08-06（11）. （in Chinese）

[4] 武江涛. 彈载智能雷达导引技术架构及处理方法综述[J]. 信息技术与信息化， 2020（7）： 136-138.

Wu Jiangtao. Overview of Missile Borne Intelligent Radar Guidance Technology Architecture and Processing Methods [J]. Information Technology and Informatization， 2020（7）： 136-138.（in Chinese）

[5] 杜兰. 雷达高分辨距离像目标识别方法研究[D]. 西安： 西安电子科技大学， 2007： 1-14.

Du Lan. Study on Radar HRRP Target Recognition[D]. Xian： Xidian University， 2007： 1-14.（in Chinese）

[6] 王晓丹， 王积勤. 雷达目标识别技术综述[J]. 现代雷达， 2003 （5）： 22-26.

Wang Xiaodan， Wang Jiqin. A Survey of Radar Target Recognition Technique[J]. Modern Radar， 2003 （5）： 22-26.（in Chinese）

[7] 马林. 雷达目标识别技术综述[J]. 现代雷达， 2011， 33（6）： 1-7.

Ma Lin. Review of Radar Automatic Target Recognition[J]. Mo-dern Radar， 2011， 33（6）： 1-7.（in Chinese）

[8] El-Darymli K， Gill E W， Mcguire P， et al. Automatic Target Re-cognition in Synthetic Aperture Radar Imagery： A State-of-the-Art Review[J]. IEEE Access， 2016， 4： 6014-6058.

[9] 庄钊文， 黎湘， 刘永祥. 智能化武器系统发展的关键技术——雷达自动目标识别技术[J]. 科技导报， 2005， 23（8）： 20-23.

Zhuang Zhaowen， Li Xiang， Liu Yongxiang. Radar Target Recognition： A Key Technology for Development of Intelligent Weapons[J]. Science & Technology Review， 2005， 23（8）： 20-23.（in Chinese）

[10] 赵丹辉， 王俊敏， 张宏宇， 等. 精确制导武器导航与末制导技术发展综述[J]. 飞航导弹， 2021（2）： 64-70.

Zhao Danhui， Wang Junmin， Zhang Hongyu， et al. Overview of the Development of Navigation and Terminal Guidance Technology for Precision Guided Weapons [J]. Aerodynamic Missile Journal， 2021（2）： 64-70.（in Chinese）

[11] 郭鵬程. 复杂背景下雷达地面目标检测与识别技术研究[D]. 西安： 西安电子科技大学， 2021： 1-8.

Guo Pengcheng. Detection and Recognition for Radar Ground Target in Complex Environments[D]. Xian： Xidian University， 2021： 1-8. （in Chinese）

[12] 李明. 雷达目标识别技术研究进展及发展趋势分析[J]. 现代雷达， 2010， 32（10）： 1-8.

Li Ming. Research Progress and Development Trend Analysis on Radar Target Recognition Technique[J]. Modern Radar， 2010， 32（10）： 1-8.（in Chinese）

[13] 李龙. 基于高分辨距离像的雷达地面目标识别技术[D]. 西安： 西安电子科技大学， 2017： 1-10.

Li Long. Radar Ground Target Recognition Based on High Resolution Range Profiles[D]. Xian： Xidian University， 2017： 1-10.（in Chinese）

[14] 李全龙， 刘洪娟， 余硌. 基于聚类思想的战场群目标识别方法[J]. 计算机工程， 2007， 33（15）： 193-195.

Li Quanlong， Liu Hongjuan， Yu Luo. Group of Targets Recognition Method in Battlefield Based on Cluster Thought[J]. Computer Engineering， 2007， 33（15）： 193-195.（in Chinese）

[15] 乔伟， 王汇源， 吴晓娟， 等. 基于混沌动力学模型的群体目标检测与分类[J]. 山东大学学报（工学版）， 2010， 40（2）： 19-23.

Qiao Wei， Wang Huiyuan， Wu Xiaojuan， et al. Crowd Object Detection and Classification Based on a Chaotic Dynamic Model[J]. Journal of Shandong University （Engineering Science）， 2010， 40（2）： 19-23.（in Chinese）

[16] Pei B N， Bao Z， Xing M D. Logarithm Bispectrum-Based Approach to Radar Range Profile for Automatic Target Recognition[J]. Pattern Recognition， 2002， 35（11）： 2643-2651.

[17] Chandran V， Elgar S L. Pattern Recognition Using Invariants Defined from Higher Order Spectra—One-Dimensional Inputs[J]. IEEE Transactions on Signal Processing， 1993， 41（1）： 205-212.

[18] Tugnait J K. Detection of Non-Gaussian Signals Using Integrated Polyspectrum[J]. IEEE Transactions on Signal Processing， 1994， 42（11）： 3137-3149.

[19] Liao X J， Bao Z. Circularly Integrated Bispectra： Novel Shift Invariant Features for High-Resolution Radar Target Recognition[J]. Electronics Letters， 1998， 34（19）： 1879-1880.

[20] Zhang X D， Shi Y， Bao Z. A New Feature Vector Using Selected Bispectra for Signal Classification with Application in Radar Target Recognition[J]. IEEE Transactions on Signal Processing， 2001， 49（9）： 1875-1885.

[21] 付耀文， 贾宇平， 庄钊文. 基于一维散射中心匹配的雷达目标识别[J]. 电子学报， 2006， 34（3）： 404-408.

Fu Yaowen， Jia Yuping， Zhuang Zhaowen. Radar Target Classification Based on One Dimensional Scattering Centers Matching[J]. Acta Electronica Sinica， 2006， 34（3）： 404-408.（in Chinese）

[22] Du L， He H， Zhao L， et al. Noise Robust Radar HRRP Target Recognition Based on Scatterer Matching Algorithm[J]. IEEE Sensors Journal， 2016， 16（6）： 1743-1753.

[23] Zhao C K， He X D， Liang J， et al. Radar HRRP Target Recognition via Semi-Supervised Multi-Task Deep Network[J]. IEEE Access， 2019， 7： 114788-114794.

[24] Zhang Y F， Qian F C， Xiao F. GS-RNN： A Novel RNN Optimization Method Based on Vanishing Gradient Mitigation for HRRP Sequence Estimation and Recognition[C]∥IEEE 3rd International Conference on Electronics Technology， 2020： 840-844.

[25] 李玮杰， 杨威， 黎湘， 等. 一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法[J]. 雷达学报， 2020， 9（4）： 622-631.

Li Weijie， Yang Wei， Li Xiang， et al. Robust High Resolution Range Profile Recognition Method for Radar Targets in Noisy Environments[J]. Journal of Radars， 2020， 9（4）： 622-631.（in Chinese）

[26] Zhang L， Li Y， Wang Y H， et al. Polarimetric HRRP Recognition Based on ConvLSTM with Self-Attention[J]. IEEE Sensors Journal， 2021， 21（6）： 7884-7898.

[27] Liu H W， Yang Z， He K， et al. Radar High Range Resolution Profiles Recognition Based on Wavelet Packet and Subband Fusion[C]∥ IEEE International Conference on Acoustics， Speech， and Signal Processing， 2005.

[28] Huether B M， Gustafson S C， Broussard R P. Wavelet Preprocessing for High Range Resolution Radar Classification[J]. IEEE Transactions on Aerospace and Electronic Systems， 2001， 37（4）： 1321-1332.

[29] Zhang L， Long T， Li Y， et al. Dual Polarimetric HRRP Sequence Recognition Based on H/α Features[C]∥IEEE International Conference on Signal， Information and Data Processing， 2019： 1-5.

[30] 王晶晶， 劉峥， 谢荣， 等. 联合Cameron分解和融合RKELM的全极化HRRP目标识别方法[J]. 雷达学报， 2021，10（6）： 944-955.

Wang Jingjing， Liu Zheng， Xie Rong， et al. HRRP Target Recognition Method for Full Polarimetric Radars by Combining Cameron Decomposition and Fusing RKELM[J]. Journal of Radar， 2021，10（6）： 944-955. （in Chinese）

[31] Garzon-Guerrero J A， Ruiz D P， Carrion M C. Classification of Geometrical Targets Using Natural Resonances and Principal Components Analysis[J]. IEEE Transactions on Antennas and Propagation， 2013， 61（9）： 4881-4884.

[32] Fu J S， Liao K， Yang W L. Radar HRRP Target Recognition Using Multi-KFD-Based LDA Algorithm[J]. Progress in Electromagnetics Research C， 2012， 30： 15-26.

[33] Lee K C， Ou J S， Fang M C. Application of SVD Noise-Reduction Technique to PCA Based Radar Target Recognition[J]. Progress in Electromagnetics Research， 2008， 81： 447-459.

[34] Feng B， Chen B， Liu H W. Radar HRRP Target Recognition with Deep Networks[J]. Pattern Recognition， 2017， 61： 379-393.

[35] 侯庆禹. 基于高分辨距离像的雷达自动目标识别方法研究[D]. 西安： 西安电子科技大学， 2009： 52-62.

Hou Qingyu. Study of Radar Automatic Target Recognition Methods Based on High Range Resolution Profile[D]. Xian： Xidian University， 2009： 52-62.（in Chinese）

[36] Copsey K， Webb A. Bayesian Gamma Mixture Model Approach to Radar Target Recognition[J]. IEEE Transactions on Aerospace and Electronic Systems， 2003， 39（4）： 1201-1217.

[37] Webb A R. Gamma Mixture Models for Target Recognition[J]. Pattern Recognition， 2000， 33（12）： 2045-2054.

[38] Du L， Liu H W， Bao Z， et al. A Two-Distribution Compounded Statistical Model for Radar HRRP Target Recognition[J]. IEEE Transactions on Signal Processing， 2006， 54（6）： 2226-2238.

[39] Du L， Liu H W， Wang P H， et al. Noise Robust Radar HRRP Target Recognition Based on Multitask Factor Analysis with Small Training Data Size[J]. IEEE Transactions on Signal Processing， 2012， 60（7）： 3546-3559.

[40] 王鵬辉. 基于统计建模的雷达高分辨距离像目标识别方法研究[D]. 西安： 西安电子科技大学， 2012： 39-50.

Wang Penghui. Study of Radar High Resolution Range Profile Target Recognition Based on Statistical Modeling[D]. Xian： Xidian University， 2012： 39-50.（in Chinese）

[41] Feng B， Du L， Liu H W， et al. Radar HRRP Target Recognition Based on K-SVD Algorithm[C]∥ IEEE CIE International Conference on Radar， 2011： 642-645.

[42] Feng B， Du L， Shao C Y， et al. Radar HRRP Target Recognition Based on Robust Dictionary Learning with Small Training Data Size[C]∥ IEEE Radar Conference， 2013： 1-4.

[43] Wang C Y， Kong Y H. Radar HRRP Target Recognition Based on Coherence Reduced Stagewise K-SVD[C]∥XXXIth URSI General Assembly and Scientific Symposium （URSI GASS）， 2014： 1-4.

[44] Li L， Liu Z. Noise-Robust HRRP Target Recognition Method via Sparse-Low-Rank Representation[J]. Electronics Letters， 2017， 53（24）： 1602-1604.

[45] Guo C， Xu C A， Sun S， et al. The Denoise and Reconstruction Method for Radar HRRP Using Enhanced Sparse Auto-Encoder[C]∥ IEEE International Conference on Signal， Information and Data Processing， 2019： 1-4.

[46] 马筱青. 宽带雷达地面目标识别算法与系统设计[D]. 西安： 西安电子科技大学， 2014： 21-26.

Ma Xiaoqing. Ground Target Classification Algorithm and System Design Based on Wide Band Radar[D]. Xian： Xidian University， 2014： 21-26.（in Chinese）

[47] 郭鹏程， 刘峥， 罗丁利. 基于两次异常检测的雷达HRRP杂波稳健目标识别方法[J]. 系统工程与电子技术， 2019， 41（10）： 2221-2226.

Guo Pengcheng， Liu Zheng， Luo Dingli. Radar HRRP Clutter Robust Target Recognition Method Based on Double Anomaly Detection[J]. Systems Engineering and Electronics， 2019， 41（10）： 2221-2226.（in Chinese）

[48] Sohn K， Zhou G， Lee C， et al. Learning and Selecting Features Jointly with Point-Wise Gated Boltzmann Machines[C]∥International Conference on Machine Learning， 2013.

[49] 邓盛. 基于自动编码器的高分辨雷达目标识别研究[D]. 西安： 西安电子科技大学， 2018： 43-52.

Deng Sheng. Auto Encoder Based Methods for High Resolution Radar Target Recognition[D]. Xian： Xidian University， 2018： 43-52.（in Chinese）

[50] 马晓瑛. 宽带极化雷达地面目标识别技术研究[D]. 西安： 西安电子科技大学， 2020： 9-22.

Ma Xiaoying. Research on Ground Target Recognition Technology of Wideband Polarization Radar[D]. Xian： Xidian University， 2020： 9-22.（in Chinese）

[51] Lundén J， Koivunen V. Deep Learning for HRRP-Based Target Recognition in Multistatic Radar Systems[C]∥IEEE Radar Conference， 2016： 1-6.

[52] Ding J， Chen B， Liu H W， et al. Convolutional Neural Network with Data Augmentation for SAR Target Recognition[J]. IEEE Geoscience and Remote Sensing Letters， 2016， 13（3）： 364-368.

[53] Guo J Y， Lei B， Ding C B， et al. Synthetic Aperture Radar Image Synthesis by Using Generative Adversarial Nets[J]. IEEE Geoscience and Remote Sensing Letters， 2017， 14（7）： 1111-1115.

[54] Lewis B， Wong A， Liu J. Generative Adversarial Networks for SAR Image Realism[C]∥ Algorithms for Synthetic Aperture Radar Imagery XXV， 2018， 10647： 37-47.

[55] Liu W L， Zhao Y J， Liu M， et al. Generating Simulated SAR Images Using Generative Adversarial Network[C]∥Applications of Digital Image Processing XLI， 2018， 10752： 32-42.

[56] Zheng C， Jiang X， Liu X Z. Semi-Supervised SAR ATR via Multi-Discriminator Generative Adversarial Network[J]. IEEE Sensors Journal， 2019， 19（17）： 7525-7533.

[57] 晏媛. 知識缺失条件下雷达目标识别技术探究[D].北京： 中国电子科技集团公司电子科学研究院， 2021：13-22.

Yan Yuan. Research on Radar Target Recognition Technology under the Condition of Lack of Knowledge [D]. Beijing： China Academic of Electronics and Information Technology， 2021：13-22. （in Chinese）

[58] Sun Y S， Wang Y H， Liu H W， et al. SAR Target Recognition with Limited Training Data Based on Angular Rotation Generative Network[J]. IEEE Geoscience and Remote Sensing Letters， 2020， 17（11）： 1928-1932.

[59] 和華， 杜兰， 徐丹蕾， 等. 基于多任务复数因子分析模型的雷达高分辨距离像识别方法[J]. 电子与信息学报， 2015， 37（10）： 2307-2313.

He Hua， Du Lan， Xu Danlei， et al. Radar HRRP Target Recognition Method Based on Multi-Task Learning and Complex Factor Analysis[J]. Journal of Electronics & Information Technology， 2015， 37（10）： 2307-2313.（in Chinese）

[60] Pan M， Jiang J， Li Z， et al. Radar HRRP Recognition Based on Discriminant Deep Autoencoders with Small Training Data Size[J]. Electronics Letters， 2016， 52（20）： 1725-1727.

[61] Pan S J， Yang Q. A Survey on Transfer Learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.

[62] Huang Z L， Pan Z X， Lei B. Transfer Learning with Deep Convolutional Neural Network for SAR Target Classification with Limited Labeled Data[J]. Remote Sensing， 2017， 9（9）： 907.

[63] Malmgren-Hansen D， Kusk A， Dall J， et al. Improving SAR Automatic Target Recognition Models with Transfer Learning from Simulated Data[J]. IEEE Geoscience and Remote Sensing Letters， 2017， 14（9）： 1484-1488.

[64] Lang H T， Wu S W， Xu Y J. Ship Classification in SAR Images Improved by AIS Knowledge Transfer[J]. IEEE Geoscience and Remote Sensing Letters， 2018， 15（3）： 439-443.

[65] Zhong C L， Mu X D， He X C， et al. SAR Target Image Classification Based on Transfer Learning and Model Compression[J]. IEEE Geoscience and Remote Sensing Letters， 2019， 16（3）： 412-416.

[66] Huang Z L， Pan Z X， Lei B. What， Where， and How to Transfer in SAR Target Recognition Based on Deep CNNs[J]. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（4）： 2324-2336.

[67] Liu J M， Xing M D， Yu H W， et al. EFTL： Complex Convolutional Networks with Electromagnetic Feature Transfer Learning for SAR Target Recognition[J]. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-11.

[68] Wen Y， Shi L C， Yu X， et al. HRRP Target Recognition with Deep Transfer Learning[J]. IEEE Access， 2020， 8： 57859-57867.

[69] Tang J X， Zhang F， Yin Q， et al. Synthetic Aperture Radar Target Recognition of Incomplete Training Datasets via Siamese Network[J]. The Journal of Engineering， 2019， 2019（20）： 6845-6847.

[70] Tang J X， Zhang F， Zhou Y S， et al. A Fast Inference Networks for SAR Target Few-Shot Learning Based on Improved Siamese Networks[C]∥IEEE International Geoscience and Remote Sensing Symposium， 2019： 1212-1215.

[71] Li Y B， Li X， Sun Q， et al. SAR Image Classification Using CNN Embeddings and Metric Learning[J]. IEEE Geoscience and Remote Sensing Letters， 2022， 19： 1-5.

[72] Raj J A， Idicula S M， Paul B. One-Shot Learning-Based SAR Ship Classification Using New Hybrid Siamese Network[J]. IEEE Geoscience and Remote Sensing Letters， 2022， 19： 1-5.

[73] Liu Q， Zhang X Y， Liu Y X， et al. Multi-Polarization Fusion Few-Shot HRRP Target Recognition Based on Meta-Learning Framework[J]. IEEE Sensors Journal， 2021， 21（16）： 18085-18100.

[74] Tian L， Chen B， Chen W C， et al. Domain-Aware Meta Network for Radar HRRP Target Recognition with Missing Aspects[J]. Signal Processing， 2021， 187（10）： 108167.

[75] Wang K， Zhang G， Xu Y B， et al. SAR Target Recognition Based on Probabilistic Meta-Learning[J]. IEEE Geoscience and Remote Sensing Letters， 2021， 18（4）： 682-686.

[76] Wang S Y， Wang Y H， Liu H W， et al. Attribute-Guided Multi-Scale Prototypical Network for Few-Shot SAR Target Classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2021， 14： 12224-12245.

[77] Wang L， Bai X R， Xue R H， et al. Few-Shot SAR Automatic Target Recognition Based on Conv-BiLSTM Prototypical Network[J]. Neurocomputing， 2021， 443： 235-246.

[78] 晏媛， 孫俊， 孙晶明， 等. 雷达小样本目标识别方法及应用分析[J]. 系统工程与电子技术， 2021， 43（3）： 684-692.

Yan Yuan， Sun Jun， Sun Jingming， et al. Radar few Shot Target Recognition Method and Application Analysis[J]. Systems Engineering and Electronics， 2021， 43（3）： 684-692.（in Chinese）

[79] 孙晶明， 虞盛康， 孙俊. 基于元学习的雷达小样本目标识别方法及改进[J/OL]. 系统工程与电子技术： 1-9. （2021-12-28）[2022-01-13].http：∥kns.cnki.net/kcms/detail/11.2422.TN.20211227.1405.020.html.

Sun Jingming， Yu Shengkang， Sun Jun. Radar Target Small Sample Target Recognition Method Based on Meta Learning and Its Improvement [J/OL]. Systems Engineering and Electronics： 1-9. （2021-12-28）[2022-01-13].http：∥kns.cnki.net/kcms/detail/11.2422.TN.20211227.1405.020.html. （in Chinese）

[80] Fu K， Zhang T F， Zhang Y， et al. Few-Shot SAR Target Classification via Metalearning[J]. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-14.

[81] Yver B. Online Semi-Supervised Learning： Application to Dynamic Learning from RADAR Data[C]∥ International Radar Conference “Surveillance for a Safer World”， 2009： 1-6.

[82] Cui Z Y， Tang C， Cao Z J， et al. SAR Unlabeled Target Recognition Based on Updating CNN with Assistant Decision[J]. IEEE Geoscience and Remote Sensing Letters， 2018， 15（10）： 1585-1589.

[83] Wang J J， Liu Z， Xie R， et al. Radar HRRP Target Recognition Based on Dynamic Learning with Limited Training Data[J]. Remote Sensing， 2021， 13（4）： 750.

[84] 李龙， 刘峥. 基于训练特征空间分布的雷达地面目标鉴别器设计[J]. 电子与信息学报， 2016， 38（4）： 950-957.

Li Long， Liu Zheng. Identifier for Radar Ground Target Based on Distribution of Space of Training Features[J]. Journal of Electronics & Information Technology， 2016， 38（4）： 950-957.（in Chinese）

[85] 張维. 特征降维和一类分类器研究及在雷达目标识别中的应用[D]. 西安： 西安电子科技大学， 2020： 46-60.

Zhang Wei. Feature Dimensionality Reduction and One-Class Classifier with Applications to Radar Target Recognition[D]. Xian： Xidian University， 2020： 46-60.（in Chinese）

[86] 汤光华. 基于一维距离像的雷达目标识别[D]. 南京： 南京理工大学， 2006： 44-56.

Tang Guanghua. Radar Target Identification Based on Range Profiles[D]. Nanjing： Nanjing University of Science and Technology， 2006： 44-56.（in Chinese）

[87] 张学峰， 王鹏辉， 冯博， 等. 基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法[J]. 自动化学报， 2014， 40（2）： 348-356.

Zhang Xuefeng， Wang Penghui， Feng Bo， et al. A New Method to Improve Radar HRRP Recognition and Outlier Rejection Performances Based on Classifier Combination[J]. Acta Automatica Sinica， 2014， 40（2）： 348-356.（in Chinese）

[88] Wang Y H， Chen W， Song J， et al. Open Set Radar HRRP Re-cognition Based on Random Forest and Extreme Value Theory[C]∥International Conference on Radar （RADAR）， 2018： 1-4.

[89] Dang S H， Cao Z J， Cui Z Y， et al. Open Set SAR Target Recognition Using Class Boundary Extracting[C]∥6th Asia-Pacific Conference on Synthetic Aperture Radar （APSAR）， 2019： 1-4.

[90] Lee S H， Lee S J， Choi I O， et al. ICA-Based Phase-Comparison Monopulse Technique for Accurate Angle Estimation of Multiple Targets[J]. IET Radar， Sonar & Navigation， 2018， 12（3）： 323-331.

[91] Guo P C， Liu Z， Wang J J. HRRP Multi-Target Recognition in a Beam Using Prior-Independent DBSCAN Clustering Algorithm[J]. IET Radar， Sonar & Navigation， 2019， 13（8）： 1366-1372.

[92] Guo P C， Liu Z， Wang J J. Radar Group Target Recognition Based on HRRPs and Weighted Mean Shift Clustering[J]. Journal of Systems Engineering and Electronics， 2020， 31（6）： 1152-1159.

[93] Jia H T， Li J， Yang T L， et al. Based on Improved ESPRIT Algorithm Radar Multi-Target Recognition[C]∥ IEEE 11th International Conference on Dependable， Autonomic and Secure Computing， 2013： 416-421.

Status and Prospects of Radar Ground Target Recognition Technology

Guo Pengcheng*， Wang Jingjing， Yang Longshun

（Xian Electronic Engineering Research Institute， Xian 710100， China）

Abstract： Radar ground target recognition technology is an important technical base for intellectualization and informatization of radar seeker of air-to-ground missile. Recently， ground target recognition technology has been paid much attention by researchers. However， with the increasingly fierce offensive and defensive confrontation in modern war， the application of radar ground target recognition technology is facing many problems， which has become a bottleneck factor restricting the development of weapons for a long time. To ensure that relevant radar practitioners better understand the development and future trend of this field， this paper  introduces the conception of radar target recognition technology， and  summarizes the technical difficulties of radar ground target recognition for equipment application. Afterwards， the research status at home and abroad are reviewed. Finally， the development trend of this technology is prospected.

Key words： radar ground target recognition; precision guidance; noise robustness; clutter robustness; small training samples; group targets; air-to-ground missile