作者中心
专家审稿
责编办公
编辑办公引用排行
（被引数据来源于全网，每月更新）
1
2026, 15(2): 409-440.
摘要
9563KB
合成孔径雷达(SAR)在军事和民用领域应用广泛，SAR图像目标智能解译是SAR应用的重要组成部分。视觉语言模型在SAR目标解译过程中发挥了关键作用，通过引入自然语言理解有效弥补了SAR目标特性差异大和高质量标注样本稀缺的挑战，实现了从纯视觉解译到目标语义理解的发展。该文结合团队在SAR目标解译理论、算法及应用等方面的长期研究积累，对基于视觉语言的SAR图像目标智能解译进行了全面回顾和综述，深入分析了现有挑战和任务并总结了研究现状，汇总整理了公开数据集，系统梳理了从特定任务的视觉语言模型到对比式、对话式和生成式视觉语言模型和基础模型的发展历程，最后探讨了该领域的最新挑战与展望。
合成孔径雷达(SAR)在军事和民用领域应用广泛，SAR图像目标智能解译是SAR应用的重要组成部分。视觉语言模型在SAR目标解译过程中发挥了关键作用，通过引入自然语言理解有效弥补了SAR目标特性差异大和高质量标注样本稀缺的挑战，实现了从纯视觉解译到目标语义理解的发展。该文结合团队在SAR目标解译理论、算法及应用等方面的长期研究积累，对基于视觉语言的SAR图像目标智能解译进行了全面回顾和综述，深入分析了现有挑战和任务并总结了研究现状，汇总整理了公开数据集，系统梳理了从特定任务的视觉语言模型到对比式、对话式和生成式视觉语言模型和基础模型的发展历程，最后探讨了该领域的最新挑战与展望。
2
2026, 15(1): 1-25.
随着现代合成孔径雷达(SAR)三维成像系统对成像精度、效率及稳健性要求的不断提高，传统匹配滤波与压缩感知等方法三维成像性能受限。近年来，深度学习技术的迅猛发展为SAR三维成像提供了新的解决路径，通过将神经网络与雷达成像物理模型深度融合，形成了数据驱动与模型驱动协同的学习成像新范式。该文系统综述了深度学习在SAR三维成像中的研究进展，重点围绕超分辨成像与增强成像两大核心问题，基于前馈神经网络和深度展开网络的超分辨三维成像方法、多通道数据预处理和点云后处理三维增强成像方法论述了目前SAR三维成像方向的研究进展和研究热点，并综述了目前行业已公开发布的SAR三维成像数据集。此外，该文还探讨了当前深度学习SAR三维成像在高泛化高精度深度学习SAR超分辨三维成像技术研究、深度学习SAR高度维解模糊技术研究、深度学习SAR三维成像与图像增强一体化研究、深度学习SAR三维成像数据集构建等方面存在的研究挑战，并对未来发展趋势提出展望，旨在为相关领域学者提供研究参考和技术引导。
随着现代合成孔径雷达(SAR)三维成像系统对成像精度、效率及稳健性要求的不断提高，传统匹配滤波与压缩感知等方法三维成像性能受限。近年来，深度学习技术的迅猛发展为SAR三维成像提供了新的解决路径，通过将神经网络与雷达成像物理模型深度融合，形成了数据驱动与模型驱动协同的学习成像新范式。该文系统综述了深度学习在SAR三维成像中的研究进展，重点围绕超分辨成像与增强成像两大核心问题，基于前馈神经网络和深度展开网络的超分辨三维成像方法、多通道数据预处理和点云后处理三维增强成像方法论述了目前SAR三维成像方向的研究进展和研究热点，并综述了目前行业已公开发布的SAR三维成像数据集。此外，该文还探讨了当前深度学习SAR三维成像在高泛化高精度深度学习SAR超分辨三维成像技术研究、深度学习SAR高度维解模糊技术研究、深度学习SAR三维成像与图像增强一体化研究、深度学习SAR三维成像数据集构建等方面存在的研究挑战，并对未来发展趋势提出展望，旨在为相关领域学者提供研究参考和技术引导。
3
2026, 15(1): 361-386.
近年来，人工智能技术和对地观测领域的结合已成为领域发展的前沿热点，多模态大语言模型(MLLM)的快速发展为智能解译带来新的机遇和挑战。多模态对地观测大模型通过构建大语言模型与视觉模型之间的桥接机制并采用联合训练方式，深度融合光学影像、合成孔径雷达影像与文本等多模态信息，有效推动对地观测智能解译由浅层语义匹配向高层的世界知识理解跃迁。该文系统性回顾了多模态对地观测大模型的相关研究成果，以期为新的研究方向提供依据。具体而言，该文首先明确了多模态对地观测大模型(EO-MLLM)的概念定义，并梳理了多模态对地观测大模型的发展脉络。随后，详细阐述了多模态对地观测大模型的模型架构、训练方法、适用任务及其对应的基准数据集，并介绍了对地观测智能体。最后，探讨了多模态对地观测大模型的研究现状和未来发展方向。
近年来，人工智能技术和对地观测领域的结合已成为领域发展的前沿热点，多模态大语言模型(MLLM)的快速发展为智能解译带来新的机遇和挑战。多模态对地观测大模型通过构建大语言模型与视觉模型之间的桥接机制并采用联合训练方式，深度融合光学影像、合成孔径雷达影像与文本等多模态信息，有效推动对地观测智能解译由浅层语义匹配向高层的世界知识理解跃迁。该文系统性回顾了多模态对地观测大模型的相关研究成果，以期为新的研究方向提供依据。具体而言，该文首先明确了多模态对地观测大模型(EO-MLLM)的概念定义，并梳理了多模态对地观测大模型的发展脉络。随后，详细阐述了多模态对地观测大模型的模型架构、训练方法、适用任务及其对应的基准数据集，并介绍了对地观测智能体。最后，探讨了多模态对地观测大模型的研究现状和未来发展方向。
4
2026, 15(3): 983-995.
合成孔径雷达(SAR)和可见光是地球观测领域中两类关键的遥感传感器，其影像匹配在图像融合、协同解译与高精度定位等任务中具有广泛应用。随着对地观测数据的迅猛增长，SAR-光学跨模态影像匹配的重要性日益凸显，相关研究也取得了显著进展。特别是基于深度学习的方法，凭借其在跨模态特征表达与高层语义提取方面的优势，展现出卓越的匹配精度与环境适应能力。然而，现有公开数据集多局限于小尺寸图像块，缺乏涵盖真实大尺度场景的完整影像对，难以全面评估匹配算法在实际遥感场景中的性能，同时也制约了深度学习模型的训练与泛化能力提升。针对上述问题，该文构建并公开发布了OSDataset2.0，一个面向SAR-光学影像匹配任务的大规模基准数据集。该数据集包含两部分：局部训练数据集与全幅场景测试集，局部训练数据集提供覆盖阿根廷、澳大利亚、波兰、德国、俄罗斯、法国、卡塔尔、马来西亚、美国、日本、土耳其、新加坡、印度、中国14个国家的6476块512×512像素的配准图像块，全幅场景测试集则提供一对光学与SAR整景影像。团队为整景影像提供了利用成像机理一致性原则提取出的高精度均匀分布的真值数据，并配套通用评估代码，支持对任意匹配算法进行配准精度的量化分析。为进一步验证数据集的有效性与挑战性，该文在OSDataset2.0上系统评估了11种具有代表性的SAR-光学影像匹配方法，涵盖了传统特征匹配与主流深度学习模型。实验结果表明，该数据集不仅能够有效支撑算法性能对比，还可为后续研究提供可靠的训练资源与统一的评估基准。
合成孔径雷达(SAR)和可见光是地球观测领域中两类关键的遥感传感器，其影像匹配在图像融合、协同解译与高精度定位等任务中具有广泛应用。随着对地观测数据的迅猛增长，SAR-光学跨模态影像匹配的重要性日益凸显，相关研究也取得了显著进展。特别是基于深度学习的方法，凭借其在跨模态特征表达与高层语义提取方面的优势，展现出卓越的匹配精度与环境适应能力。然而，现有公开数据集多局限于小尺寸图像块，缺乏涵盖真实大尺度场景的完整影像对，难以全面评估匹配算法在实际遥感场景中的性能，同时也制约了深度学习模型的训练与泛化能力提升。针对上述问题，该文构建并公开发布了OSDataset2.0，一个面向SAR-光学影像匹配任务的大规模基准数据集。该数据集包含两部分：局部训练数据集与全幅场景测试集，局部训练数据集提供覆盖阿根廷、澳大利亚、波兰、德国、俄罗斯、法国、卡塔尔、马来西亚、美国、日本、土耳其、新加坡、印度、中国14个国家的6476块512×512像素的配准图像块，全幅场景测试集则提供一对光学与SAR整景影像。团队为整景影像提供了利用成像机理一致性原则提取出的高精度均匀分布的真值数据，并配套通用评估代码，支持对任意匹配算法进行配准精度的量化分析。为进一步验证数据集的有效性与挑战性，该文在OSDataset2.0上系统评估了11种具有代表性的SAR-光学影像匹配方法，涵盖了传统特征匹配与主流深度学习模型。实验结果表明，该数据集不仅能够有效支撑算法性能对比，还可为后续研究提供可靠的训练资源与统一的评估基准。
5
2026, 15(2): 387-408.
深度学习虽已成为合成孔径雷达(SAR)图像目标检测领域主流方法，但其性能高度依赖于大规模标注数据集。在测试不同分布的SAR数据时，模型的检测性能会出现一定程度下降，难以直接迁移应用，且人工标注成本高昂。针对此瓶颈，学术界开始探索基于多源信息的跨域学习策略，通过整合不同来源(传感器)的光学遥感图像或异源SAR图像等先验信息，辅助检测模型实现跨域知识迁移。该文聚焦深度学习框架下的跨域学习技术，系统梳理该领域最新研究进展，分析该领域的核心问题，从方法论层面分析现有技术的核心优势与适用场景，并基于技术演进规律提出未来发展方向，旨在为提升SAR图像目标检测的泛化能力提供理论支撑与方法论参考。
深度学习虽已成为合成孔径雷达(SAR)图像目标检测领域主流方法，但其性能高度依赖于大规模标注数据集。在测试不同分布的SAR数据时，模型的检测性能会出现一定程度下降，难以直接迁移应用，且人工标注成本高昂。针对此瓶颈，学术界开始探索基于多源信息的跨域学习策略，通过整合不同来源(传感器)的光学遥感图像或异源SAR图像等先验信息，辅助检测模型实现跨域知识迁移。该文聚焦深度学习框架下的跨域学习技术，系统梳理该领域最新研究进展，分析该领域的核心问题，从方法论层面分析现有技术的核心优势与适用场景，并基于技术演进规律提出未来发展方向，旨在为提升SAR图像目标检测的泛化能力提供理论支撑与方法论参考。
6
2026, 15(2): 463-478.
成像几何差异是引起SAR图像特征相对畸变的主要原因，进而导致SAR图像的匹配难度骤增。以仿真SAR图像作为参考图可以从根本上消除因成像几何差异造成的图像特征相对畸变，然而实测SAR图像与仿真SAR图像仍然会存在散射和噪声方面的差异，且现有的匹配算法基本采用对称式关键点检测及描述符匹配，因此匹配点的数量和精度仍然有待提升。针对上述问题，该文根据实测和仿真SAR图像的局部统计特征提出了非对称式的局部拟合一致性相似度度量准则，并基于该相似度设计了机载SAR图像与仿真SAR图像的粗匹配和精匹配方法，在此基础上引入地形特征提高关键点检测的多样性，最终实现实测机载SAR图像与仿真SAR图像的鲁棒匹配。实验结果表明，在不同噪声程度下，基于局部拟合一致性度量准则设计匹配方法具备更强的鲁棒性和准确性，在匹配精度等多方面指标上均显著优于现有主流算法。
成像几何差异是引起SAR图像特征相对畸变的主要原因，进而导致SAR图像的匹配难度骤增。以仿真SAR图像作为参考图可以从根本上消除因成像几何差异造成的图像特征相对畸变，然而实测SAR图像与仿真SAR图像仍然会存在散射和噪声方面的差异，且现有的匹配算法基本采用对称式关键点检测及描述符匹配，因此匹配点的数量和精度仍然有待提升。针对上述问题，该文根据实测和仿真SAR图像的局部统计特征提出了非对称式的局部拟合一致性相似度度量准则，并基于该相似度设计了机载SAR图像与仿真SAR图像的粗匹配和精匹配方法，在此基础上引入地形特征提高关键点检测的多样性，最终实现实测机载SAR图像与仿真SAR图像的鲁棒匹配。实验结果表明，在不同噪声程度下，基于局部拟合一致性度量准则设计匹配方法具备更强的鲁棒性和准确性，在匹配精度等多方面指标上均显著优于现有主流算法。
7
2026, 15(1): 292-306.
雷达系统在对多机动目标进行跟踪时，跟踪性能会因为多雷达发射资源的非匹配预设和先验信息的不充分利用而下降。针对该问题，提出了一种面向多机动目标的资源分配与精细化跟踪算法，以期在同等资源消耗条件下获取更高的目标跟踪性能。首先，该文结合跟踪器反馈的目标预测信息，利用多模型交互的思想对目标预测位置分布函数进行拟合，建立了基于多模型交互的检测跟踪一体化方法，实现了系统对机动目标的精细化跟踪。而后，分析了多雷达发射资源和机动目标跟踪性能的耦合机理，结合机动目标贝叶斯克拉美罗下界的推导，建立了跟踪性能驱动的多模型加权资源分配框架。最后通过仿真验证了所提方法在相同资源消耗条件下，能够显著提升多机动目标的综合跟踪精度。
雷达系统在对多机动目标进行跟踪时，跟踪性能会因为多雷达发射资源的非匹配预设和先验信息的不充分利用而下降。针对该问题，提出了一种面向多机动目标的资源分配与精细化跟踪算法，以期在同等资源消耗条件下获取更高的目标跟踪性能。首先，该文结合跟踪器反馈的目标预测信息，利用多模型交互的思想对目标预测位置分布函数进行拟合，建立了基于多模型交互的检测跟踪一体化方法，实现了系统对机动目标的精细化跟踪。而后，分析了多雷达发射资源和机动目标跟踪性能的耦合机理，结合机动目标贝叶斯克拉美罗下界的推导，建立了跟踪性能驱动的多模型加权资源分配框架。最后通过仿真验证了所提方法在相同资源消耗条件下，能够显著提升多机动目标的综合跟踪精度。
8
2026, 15(1): 135-149.
针对雷达通信一体化(RCI)在扩展杂波环境中目标检测能力弱和通信性能受限制的问题，该文提出一种扩展目标脉冲响应(TIR)不确定性集合下MIMO RCI系统发射信号波形和接收滤波器联合优化算法。首先，考虑到实际中无法预先准确获得扩展TIR，该文建立TIR存在于球面不确定性集合下，以最大化最小信干噪比为目标的优化函数。其次，为了保障MIMO RCI系统服务每个用户的信息传输可靠性，采用每用户干扰约束，并引入相似性和峰均比约束以确保发射波形具备良好的模糊函数特性。针对构建的非凸二次约束分式规划问题，该文提出了一种循环优化算法迭代优化发射信号波形和接收滤波器。该算法先利用广义瑞利熵获得最优接收滤波器；再利用拉格朗日对偶原理，将原NP-Hard问题中的非凸部分转化为凸问题，并通过半正定优化方法求解。此外，该文也给出了收敛性和计算复杂度分析。仿真结果表明，提出的算法能在扩展杂波背景下有效提高雷达信干噪比，同时满足多用户通信需求。
针对雷达通信一体化(RCI)在扩展杂波环境中目标检测能力弱和通信性能受限制的问题，该文提出一种扩展目标脉冲响应(TIR)不确定性集合下MIMO RCI系统发射信号波形和接收滤波器联合优化算法。首先，考虑到实际中无法预先准确获得扩展TIR，该文建立TIR存在于球面不确定性集合下，以最大化最小信干噪比为目标的优化函数。其次，为了保障MIMO RCI系统服务每个用户的信息传输可靠性，采用每用户干扰约束，并引入相似性和峰均比约束以确保发射波形具备良好的模糊函数特性。针对构建的非凸二次约束分式规划问题，该文提出了一种循环优化算法迭代优化发射信号波形和接收滤波器。该算法先利用广义瑞利熵获得最优接收滤波器；再利用拉格朗日对偶原理，将原NP-Hard问题中的非凸部分转化为凸问题，并通过半正定优化方法求解。此外，该文也给出了收敛性和计算复杂度分析。仿真结果表明，提出的算法能在扩展杂波背景下有效提高雷达信干噪比，同时满足多用户通信需求。
9
2026, 15(1): 331-344.
智能干扰决策技术的发展，显著提升了敏感目标在战场中的生存对抗能力。然而，现有干扰决策算法仅考虑有源干扰，忽略了无源干扰策略优化问题，严重限制了干扰决策对抗模型的应用场景。针对这一缺陷，该文基于彩虹深度Q网络(Rainbow DQN)与二分法，构建了一种有源-无源干扰策略联合优化方法，利用Rainbow DQN决策有无源干扰样式序列，并以二分法动态搜索无源干扰最优释放位置；考虑干扰对抗环境的非完全观测性，该文进一步设计了基于雷达波束指向点变化的奖励函数，以准确反馈干扰策略的有效性。通过仿真模拟干扰机-雷达对抗实验，与深度Q网络(DQN)、决策优势分离深度Q网络(Dueling DQN)及双重深度Q网络(Double DQN) 3种主流干扰决策模型相比，所提方法的Q值平均提升2.43倍，奖励均值平均提升3.09倍，无源干扰位置决策步数缩短50%以上。实验结果表明，该文所提基于Rainbow DQN与二分法的有源-无源干扰策略联合优化方法，可实现有源干扰与无源干扰联合有效决策，进一步提高了干扰策略决策模型适用性，显著提升了干扰机电子对抗中的价值。
智能干扰决策技术的发展，显著提升了敏感目标在战场中的生存对抗能力。然而，现有干扰决策算法仅考虑有源干扰，忽略了无源干扰策略优化问题，严重限制了干扰决策对抗模型的应用场景。针对这一缺陷，该文基于彩虹深度Q网络(Rainbow DQN)与二分法，构建了一种有源-无源干扰策略联合优化方法，利用Rainbow DQN决策有无源干扰样式序列，并以二分法动态搜索无源干扰最优释放位置；考虑干扰对抗环境的非完全观测性，该文进一步设计了基于雷达波束指向点变化的奖励函数，以准确反馈干扰策略的有效性。通过仿真模拟干扰机-雷达对抗实验，与深度Q网络(DQN)、决策优势分离深度Q网络(Dueling DQN)及双重深度Q网络(Double DQN) 3种主流干扰决策模型相比，所提方法的Q值平均提升2.43倍，奖励均值平均提升3.09倍，无源干扰位置决策步数缩短50%以上。实验结果表明，该文所提基于Rainbow DQN与二分法的有源-无源干扰策略联合优化方法，可实现有源干扰与无源干扰联合有效决策，进一步提高了干扰策略决策模型适用性，显著提升了干扰机电子对抗中的价值。
10
2026, 15(1): 345-360.
在雷达目标识别领域，二十面体角反射器的引入无疑提升了目标辨识任务的难度。这种情况在中高海况下将尤为严重。剧烈起伏的海面将与二十面体角反射器形成耦合散射，这可能达到与目标相似的散射特性，从而导致传统目标辨识方法性能下降。针对中高海况下目标辨识难的问题，该文从主要散射机理和散射复杂程度两个方面，构建了极化特征-距离联合矩阵，表征中高海况下舰船与二十面体角反射器阵列之间的差异。然后，利用时序神经网络提取两者极化特征-距离联合矩阵的特征，以实现对目标的有效辨识。经数据集的验证，所提出的方法可以有效减少手工知识提取过程中的信息丢失。在中高海况条件下，相较于现有方法，该方法的准确率提升了10.14%，大幅降低了二十面体角反射器阵列造成的虚警。
在雷达目标识别领域，二十面体角反射器的引入无疑提升了目标辨识任务的难度。这种情况在中高海况下将尤为严重。剧烈起伏的海面将与二十面体角反射器形成耦合散射，这可能达到与目标相似的散射特性，从而导致传统目标辨识方法性能下降。针对中高海况下目标辨识难的问题，该文从主要散射机理和散射复杂程度两个方面，构建了极化特征-距离联合矩阵，表征中高海况下舰船与二十面体角反射器阵列之间的差异。然后，利用时序神经网络提取两者极化特征-距离联合矩阵的特征，以实现对目标的有效辨识。经数据集的验证，所提出的方法可以有效减少手工知识提取过程中的信息丢失。在中高海况条件下，相较于现有方法，该方法的准确率提升了10.14%，大幅降低了二十面体角反射器阵列造成的虚警。
微信 | 公众平台 
