Die automatisierte Interpretation von Synthetic Aperture Radar (SAR)-Bildern ist eine der wichtigen Entwicklungslinien in der Anwendung der SAR-Technologie. SAR-Erkennungsmethoden werden hauptsächlich in zwei Kategorien unterteilt: traditionelle maschinelle Lernmethoden und auf Deep Learning basierende Methoden. Für die meisten traditionellen maschinellen Lernmethoden sind die auf elektromagnetischen Streueigenschaften basierenden Zielmerkmale interpretierbar und stabil. Allerdings ist der Prozess der effektiven Merkmalsextraktion oft komplex und rechenintensiv. Im Vergleich zu traditionellen Methoden können Deep-Learning-Methoden direkt hochdimensionale Merkmale des Ziels lernen und eine höhere Zielerkennungsgenauigkeit erreichen. Allerdings weisen Deep-Learning-Methoden eine schlechte Generalisierungsfähigkeit auf und sind schwer interpretierbar. Daher entstand unter Berücksichtigung der Vorteile beider Methoden eine Deep-Learning-Methode, die elektromagnetische Streueigenschaften und neuronale Netzmerkmale integriert. Dieser Artikel diskutiert Forschungsergebnisse zu zielerkennungsmethoden, die elektromagnetische Streueigenschaften und neuronale Netzwerkmerkmale integrieren, beschreibt die Anwendung dieser Idee der Integration elektromagnetischer Streueigenschaften bei der Erkennung von Fahrzeug-, Flugzeug- und Schiffsobjekten ausführlich und gibt einen Ausblick auf zukünftige Entwicklungen in der Forschung zur Zielerkennung und -detektion sowie eine Zusammenfassung.

Fernerkundung;Synthetic Aperture Radar;Zielerkennung;Convolutional Neural Networks;elektromagnetische Streueigenschaften;Parameterschätzung