L'apprentissage profond, grâce à ses puissantes capacités d'apprentissage des caractéristiques et de modélisation non linéaire, est largement utilisé dans le domaine du filtrage de phase InSAR (Interférométrie Radar à Synthèse d'Ouverture). Cependant, dans les zones à bruit élevé et à bandes denses, les méthodes existantes ont encore du mal à concilier la suppression du bruit et la conservation des détails de l'information de phase. À cet effet, cet article propose une méthode de filtrage de phase InSAR multi-échelles intégrant un mécanisme d'augmentation adaptative et de sélection dynamique appelé AASTM (Adaptive Augmentation and dynamic Screening-based Technique Module). Ce modèle est construit sur un réseau U-Net, avec un cadre d'extraction de caractéristiques multi-échelles et de fusion couche par couche ; des modules AASTM sont insérés à différentes échelles pour renforcer et filtrer dynamiquement les caractéristiques de phase interférentielle afin d'équilibrer la conservation des détails de phase et la suppression du bruit. En outre, la méthode de maillage losange-carré est utilisée pour générer un jeu de données d'entraînement simulé couvrant des scènes à fort bruit et bandes denses, améliorant ainsi la robustesse et la capacité de généralisation du modèle dans des scénarios complexes. Les effets de filtrage de la méthode proposée ont été validés expérimentalement avec des données simulées et des données SAR à double satellite LT-1 A/B, en comparaison avec les méthodes existantes. Les résultats montrent qu'avec les données simulées, la méthode proposée réduit l'erreur quadratique moyenne d'environ 20%, augmente l'indice de similarité structurelle d'environ 18% et améliore le rapport signal sur bruit de crête d'environ 5%. En particulier, dans les zones de bruit élevé et de bandes denses, la méthode conserve mieux les bords et les détails de phase ; sur les données réelles LT-1 A/B, elle atteint un taux d'élimination des points résiduels de 90,42% tout en préservant mieux les détails de phase. En résumé, la méthode proposée offre une précision de filtrage nettement supérieure aux autres méthodes, ainsi qu'une meilleure résolution de phase et conservation des détails dans les zones à bandes denses, fournissant un support technique plus fiable pour l'inversion précise des modèles numériques d'élévation LT-1 A/B.

apprentissage profond;radar à synthèse d'ouverture interférométrique;filtrage de phase;augmentation adaptative;sélection dynamique