近年来，随着合成孔径雷达（SAR）系统和成像算法的逐渐成熟，可以获得越来越多高分辨率、高质量的SAR图像，相应地，SAR自动目标识别（ATR）已经成为当前SAR应用的前沿课题，受到了国内外学者的广泛关注。林肯实验室在20世纪80年代提出的检测、鉴别、分类/识别3级处理流程已成为SAR ATR系统广泛采用的一般流程，如图1所示。其中，检测和鉴别是整个SAR ATR系统的基础，这两个阶段得到的目标感兴趣区域（ROI）的质量直接影响到第3级分类/识别阶段的任务复杂度，因此，检测和鉴别是国内外雷达界一直开展的SAR应用基础研究之一。
国内外针对这两个阶段已经有了大量的研究成果，目前大部分研究考虑的SAR图像场景较为简单。然而，在实际应用中，SAR ATR系统更多面临的是复杂场景，比如基于miniSAR数据（如图2所示）的复杂城区背景下民用车辆目标和基于GF-3数据（如图3所示）的复杂港口背景下的舰船目标检测与鉴别。复杂场景下存在杂波散射强度相对高、杂波背景非均匀和目标散射强度相对弱、分布密集等情况，进行高效精确的目标检测和鉴别较为困难。而且，不同于在全极化、干涉等条件下能够获取多通道SAR信息，单通道条件下SAR图像信息量非常有限，更增加了区分复杂杂波和感兴趣目标的难度。
图1 MIT林肯实验室的SAR ATR 3级处理流程
目前，从大幅复杂SAR场景中抑制非均匀地形/海情杂波、自然杂波、民用目标的虚警干扰，实时、准确捕获静止时敏目标的检测、识别手段依然缺失。西安电子科技大学杜兰教授团队在其多年研究工作的基础上，对近十年来复杂场景下单通道SAR目标检测与鉴别的研究进展进行了归纳总结，并分析该技术领域存在的问题，指出其发展趋势。该工作已发表在《雷达学报》2020年第1期“合成孔径雷达技术”专刊2“复杂场景下单通道SAR目标检测及鉴别研究进展综述”（杜兰,王兆成,王燕,魏迪,李璐）。
图2 miniSAR数据集中图像的例子
图3 GF-3港口舰船目标数据集中图像的例子
该文首先介绍了单通道SAR目标检测方法，主要包括基于恒虚警率的目标检测方法、基于视觉注意模型的目标检测方法（某视觉注意模型对某小场景SAR图像显著图如图4所示）、基于复图像的目标检测方法（基于复图像的子视图提取流程图如图5所示）；然后对单通道SAR目标鉴别方法，按照鉴别过程中所使用的监督信息的不同，分为基于全监督学习的鉴别算法和基于半监督、弱监督学习的鉴别算法两大类介绍。以上方法按照林肯实验室的SAR ATR 3级处理流程，检测、鉴别是独立的两个步骤。近年逐渐发展起来的基于深度学习的图像检测方法不同于SAR ATR 3级处理流程，作为一种端到端的处理方法，可以实现检测、鉴别、分类/识别3大步骤一体化。本文介绍了基于深度学习的单通道SAR目标检测和鉴别一体化方法，并对SAR目标检测、鉴别2级流程与检测、鉴别一体化方法进行了比较分析。最后，针对现有复杂场景下单通道SAR目标检测和鉴别方法的不足，提出今后的研究发展趋势。
图4 某幅小场景SAR图像及其显著图
图5 子视图提取流程图