近年来，深度学习技术得到广泛应用，然而在合成孔径雷达(SAR)舰船目标检测研究中，由于数据获取难、样本规模小，尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集，该数据集包含31景高分三号SAR图像，场景类型包含港口、岛礁、不同级别海况的海面等，背景涵盖近岸和远海等多样场景。同时，该文使用经典舰船检测算法和深度学习算法进行了实验，其中基于密集连接端到端网络方法效果最佳，平均精度达到88.1%。通过实验对比分析形成指标基准，方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。

多平台合成孔径雷达(SAR)是合成孔径雷达极具发展潜力的研究方向之一，该文集中讨论了多平台SAR的成像算法，包括机载SAR、弹载SAR和星载SAR平台。该文首先简要阐述了SAR回波模型的建立，包括“斜距模型和成像模式”，然后综述了近年来机载SAR、弹载SAR和星载SAR成像算法的研究进展，并详细阐述了各平台固有的特性以及面临的挑战，最后对未来多平台SAR成像算法研究的发展趋势进行了展望。

合成孔径雷达3维成像技术可以消除目标和地形在2维图像上产生的严重混叠，显著提升目标识别和3维建模能力，已经成为当前SAR发展的重要趋势。合成孔径雷达3维成像技术经过了数十年的发展，已提出多种技术体制。该文系统性回顾了SAR 3维成像技术领域的发展过程，深入分析了现有SAR 3维成像技术的特点；指出了SAR回波及图像中蕴含的未被现有技术利用的3维信息，提出“合成孔径雷达微波视觉3维成像”的新概念和新思路，将SAR成像方法与微波散射机制和图像视觉语义有机融合，形成SAR微波视觉3维成像理论与方法，实现高效能、低成本的SAR 3维成像。该文重点阐述了SAR微波视觉3维成像的概念、目标和关键科学问题，并给出了初步的技术途径，为SAR 3维成像提供了新的技术思路。

该文从成像结果表征、孔径流形、信号通道、系统形态、观测方向、处理方法、实现机理、目标识别等方面剖析了雷达对地成像技术的多向演化态势，并试图从宏观的视角和大的时间尺度，分析和认识雷达对地成像技术发展的内外因素和发展规律，推演预测未来发展方向，以期为把握雷达对地成像技术发展的时代脉络和宏观趋势、契合需求和引领创新、推动发展和促进应用，提供另类的观察视角和思维方式。

随着人工智能的兴起，利用深度学习技术实现SAR舰船检测，能够有效避免传统的复杂特征设计，并且检测精度获得了极大的改善。然而，现如今大多数检测模型往往以牺牲检测速度为代价来提高检测精度，限制了一些SAR实时性应用，如紧急军事部署、迅速海难救援、实时海洋环境监测等。为了解决这个问题，该文提出一种基于深度分离卷积神经网络(DS-CNN)的高速高精度SAR舰船检测方法SARShipNet-20，该方法取代传统卷积神经网络(T-CNN)，并结合通道注意力机制(CA)和空间注意力机制(SA)，能够同时实现高速和高精度的SAR舰船检测。该方法在实时性SAR应用领域具有一定的现实意义，并且其轻量级的模型有助于未来的FPGA或DSP的硬件移植。

作为一种重要的空间遥感信息获取工具，星载合成孔径雷达(SAR)具备高分辨率宽测绘、多方位信息获取、高时相对地观测、3维地形测绘等多种工作体制和模式。对于任何星载SAR系统，获取高质量的图像始终是提升SAR应用效能的前提。该文基于“观测在天，成像在地”的理念，分析了卫星轨道、平台姿态、有效载荷、地面处理等环节中星载SAR成像和图像质量的影响因素；阐释了中央电子设备幅相补偿与动态调整、天线方向图预估等高精度数据获取技术；给出了基于改进运动模型的星载SAR成像补偿和对流层传播效应补偿方法，能够实现优于0.3 m分辨率的成像；总结和对比了相干斑噪声抑制、方位模糊抑制和旁瓣抑制等SAR图像处理技术，可以使得等效视数优于25、方位模糊和旁瓣抑制优于20 dB。

多模式高分辨率合成孔径雷达(SAR)的发展，对天空地海环境目标信息感知与特征获取提出了新的挑战，空间遥感大数据与人工智能信息技术的交叉是自动目标识别(ATR)一个新的研究方向与重大应用领域。该文提出，在电磁波与目标相互作用的物理背景下进行人工智能信息技术的研究，即“物理智能”，以发展在人眼不能识别的电磁频谱上形成信息感知的“微波视觉”，实现多模式遥感智能信息与目标识别。该文主要内容基于作者2019年8月15日在“雷达学报第五届青年科学家论坛”上的学术报告。