作者中心
专家审稿
责编办公
编辑办公全文下载排行
1
2026, 15(1): 1-25.
摘要
23305KB
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。
2
2025, 14(5): 1276-1293.
该文针对飞鸟和无人机等低慢小目标精细化特征提取和分类问题，提出了一种多波段多角度特征融合分类方法。首先分别基于K波段和L波段调频连续波雷达从多个角度采集了5种类型旋翼无人机和飞鸟模型数据，构建低慢小探测数据集。其次，为了获取L波段目标信号的周期性振动特征，利用经验模态分解提取L波段信号中高频特征，抑制噪声影响；对K波段回波信号进行短时傅里叶变换，获得多角度高分辨微动特征。然后，设计了一种多波段多角度特征融合网络模型(MMFFNet)，包含改进的卷积长短期记忆网络时序特征提取模块、注意力融合模块和多尺度特征融合模块，通过多波段多角度特征的融合提高了目标分类的准确率。通过实测数据集验证表明，与使用单一雷达特征分类方法相比，在高信噪比为5 dB和低信噪比为–3 dB条件下所提方法对7种类型的低慢小目标的正确分类准确率分别提高了3.1%和12.3%。
该文针对飞鸟和无人机等低慢小目标精细化特征提取和分类问题，提出了一种多波段多角度特征融合分类方法。首先分别基于K波段和L波段调频连续波雷达从多个角度采集了5种类型旋翼无人机和飞鸟模型数据，构建低慢小探测数据集。其次，为了获取L波段目标信号的周期性振动特征，利用经验模态分解提取L波段信号中高频特征，抑制噪声影响；对K波段回波信号进行短时傅里叶变换，获得多角度高分辨微动特征。然后，设计了一种多波段多角度特征融合网络模型(MMFFNet)，包含改进的卷积长短期记忆网络时序特征提取模块、注意力融合模块和多尺度特征融合模块，通过多波段多角度特征的融合提高了目标分类的准确率。通过实测数据集验证表明，与使用单一雷达特征分类方法相比，在高信噪比为5 dB和低信噪比为–3 dB条件下所提方法对7种类型的低慢小目标的正确分类准确率分别提高了3.1%和12.3%。
3
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。
4
2023, 12(4): 906-922.
针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题，该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面，通过上下文引导的特征金字塔模块来增强全局信息，减弱复杂场景中强干扰的影响，提高检测识别的准确率。另一方面，利用散射关键点对目标进行定位，设计散射感知检测模块实现对回归框的细化校正，增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展，该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星，包含4,368张图片和16,463个飞机目标实例，涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验，实验结果证明了散射感知方法的优异性能，并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。
针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题，该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面，通过上下文引导的特征金字塔模块来增强全局信息，减弱复杂场景中强干扰的影响，提高检测识别的准确率。另一方面，利用散射关键点对目标进行定位，设计散射感知检测模块实现对回归框的细化校正，增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展，该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星，包含4,368张图片和16,463个飞机目标实例，涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验，实验结果证明了散射感知方法的优异性能，并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。
5
2023, 12(2): 456-469.
海上目标检测识别受制于海上目标及海杂波环境特性，基于实测数据认知海上目标的本质特征有利于推进目标检测识别技术进步。针对海上目标散射特性数据不足的问题，升级“雷达对海探测数据共享计划(SDRDSP)”，扩展雷达目标观测的物理维度、提升雷达及辅助数据采集能力，获取不同极化、海况下的海上目标及环境数据，构建海上目标双极化多海况散射特性数据集，并分析其统计分布特性、时间与空间相关性和多普勒谱特性，为数据使用提供支持。后续将推进海上目标类型与数量的持续积累，为海上目标检测识别性能提升和智能化发展提供数据支持。
海上目标检测识别受制于海上目标及海杂波环境特性，基于实测数据认知海上目标的本质特征有利于推进目标检测识别技术进步。针对海上目标散射特性数据不足的问题，升级“雷达对海探测数据共享计划(SDRDSP)”，扩展雷达目标观测的物理维度、提升雷达及辅助数据采集能力，获取不同极化、海况下的海上目标及环境数据，构建海上目标双极化多海况散射特性数据集，并分析其统计分布特性、时间与空间相关性和多普勒谱特性，为数据使用提供支持。后续将推进海上目标类型与数量的持续积累，为海上目标检测识别性能提升和智能化发展提供数据支持。
6
2024, 13(3): 539-553.
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战，迫切需要构建相关数据集，支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集，基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据，通过雷达调制周期和调制带宽，具备不同时域和频域分辨和测量能力，构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力，该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法，在短时傅里叶变换的基础上提取时频能量最大值，保留有用信号分量，实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析，结果表明该方法相较于传统时频方法，熵值平均降低了5.3 dB，旋翼叶长估计误差降低了27.7%，所提方法兼顾高时频分辨率和较高的参数估计精度，为后续目标识别奠定了基础。
无人机等低慢小目标探测对雷达目标检测和识别技术提出了很高的挑战，迫切需要构建相关数据集，支撑低慢小探测技术的发展和应用。该文公开了一个多波段调频连续波(FMCW)雷达低慢小目标探测数据集，基于Ku波段和L波段的FMCW雷达采集6种类型的无人机回波数据，通过雷达调制周期和调制带宽，具备不同时域和频域分辨和测量能力，构建了多波段FMCW雷达低慢小探测数据集(LSS-FMCWR-1.0)。为了进一步提升无人机微动特征提取能力，该文提出基于局部极大值同步提取变换的无人机微动提取和参数估计方法，在短时傅里叶变换的基础上提取时频能量最大值，保留有用信号分量，实现精细化时频表示。基于LSS-FMCWR-1.0进行验证分析，结果表明该方法相较于传统时频方法，熵值平均降低了5.3 dB，旋翼叶长估计误差降低了27.7%，所提方法兼顾高时频分辨率和较高的参数估计精度，为后续目标识别奠定了基础。
7
状态: , 更新:
针对低慢小(LSS)目标雷达分类中存在的特征提取不充分、时空关联建模能力薄弱及分类性能欠佳等问题，该文围绕图网络特征提取和分类技术开展研究。首先，聚焦数字阵泛探雷达，构建了雷达低慢小目标探测数据集LSS-DAUR-1.0，包含客轮、快艇、直升机、旋翼无人机、鸟类与固定翼无人机6类目标的多普勒和航迹数据。其次，基于该数据集分析了目标的多域多维特性，通过相关性和余弦相似度分析，验证了多普勒特征与物理运动特征的互补性。在此基础上，提出融合双特征的动态图图卷积网络(DG-GCN)分类方法设计自适应窗口调整、混合衰减函数和动态阈值机制，构建时空关联自适应动态图，结合图卷积特征学习和分类模块，实现对低慢小目标的精细化分类。LSS-DAUR-1.0数据集验证表明，DG-GCN分类准确率达99.66%，较ResNet和Transformer模型分别提升6.78%和17.97%，总处理时间仅4.98 ms，较对比模型降低80%以上，兼顾高精度与高效性。此外，噪声环境测试其鲁棒性良好。消融实验验证，动态边权机制可弥补纯时序连接的空间特征关联上不足，提升模型泛化能力。
针对低慢小(LSS)目标雷达分类中存在的特征提取不充分、时空关联建模能力薄弱及分类性能欠佳等问题，该文围绕图网络特征提取和分类技术开展研究。首先，聚焦数字阵泛探雷达，构建了雷达低慢小目标探测数据集LSS-DAUR-1.0，包含客轮、快艇、直升机、旋翼无人机、鸟类与固定翼无人机6类目标的多普勒和航迹数据。其次，基于该数据集分析了目标的多域多维特性，通过相关性和余弦相似度分析，验证了多普勒特征与物理运动特征的互补性。在此基础上，提出融合双特征的动态图图卷积网络(DG-GCN)分类方法设计自适应窗口调整、混合衰减函数和动态阈值机制，构建时空关联自适应动态图，结合图卷积特征学习和分类模块，实现对低慢小目标的精细化分类。LSS-DAUR-1.0数据集验证表明，DG-GCN分类准确率达99.66%，较ResNet和Transformer模型分别提升6.78%和17.97%，总处理时间仅4.98 ms，较对比模型降低80%以上，兼顾高精度与高效性。此外，噪声环境测试其鲁棒性良好。消融实验验证，动态边权机制可弥补纯时序连接的空间特征关联上不足，提升模型泛化能力。
8
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。
9
2025, 14(5): 1115-1141.
双基合成孔径雷达(SAR)采用收发平台分置的方式，能够实现复杂环境下对地海面场景和目标的高分辨成像，具有配置灵活、隐蔽性好、抗干扰能力强、获取目标信息丰富等优势，在高精度遥感测绘、隐蔽成像、精确打击等多个领域具备重要应用价值。成像处理是获得双基SAR高分辨图像的关键步骤，而双基SAR的回波模型、回波特性与传统单基SAR有显著的不同，需要对处于不同模式、不同构型下的双基SAR研究相应的成像处理方法。该文分别针对机载双基SAR、高速高机动平台双基SAR、星源异构双基SAR、星载同构双基SAR等典型模式，以及双基SAR运动补偿方法和运动目标成像等方面，分别阐述和分析了其中的关键问题，并梳理了国内外相关的解决思路和研究进展，最后对双基SAR成像处理技术的未来发展趋势进行展望。
双基合成孔径雷达(SAR)采用收发平台分置的方式，能够实现复杂环境下对地海面场景和目标的高分辨成像，具有配置灵活、隐蔽性好、抗干扰能力强、获取目标信息丰富等优势，在高精度遥感测绘、隐蔽成像、精确打击等多个领域具备重要应用价值。成像处理是获得双基SAR高分辨图像的关键步骤，而双基SAR的回波模型、回波特性与传统单基SAR有显著的不同，需要对处于不同模式、不同构型下的双基SAR研究相应的成像处理方法。该文分别针对机载双基SAR、高速高机动平台双基SAR、星源异构双基SAR、星载同构双基SAR等典型模式，以及双基SAR运动补偿方法和运动目标成像等方面，分别阐述和分析了其中的关键问题，并梳理了国内外相关的解决思路和研究进展，最后对双基SAR成像处理技术的未来发展趋势进行展望。
10
2026, 15(2): 409-440.
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。
11
2026, 15(1): 42-63.
非视距(NLOS)毫米波雷达三维成像利用电磁波反射、衍射、散射、穿透等传播特性，实现对隐蔽环境目标的探测、定位和成像，在无人驾驶、灾害救援、城市作战等领域具有重要应用潜力。然而，受实际非视距场景中反射面、遮挡面等不确定性引入的相位误差、孔径遮蔽、多径效应影响，雷达成像出现分辨率差、伪影增多等问题。针对上述问题，结合深度展开网络和环境先验感知，该文提出了一种基于距离徙动(RM)算子学习驱动的非视距毫米波雷达三维成像方法。首先，建立了拐角(LAC)场景下非视距毫米波雷达三维成像模型，引入RM核算子提高成像效率，降低计算复杂度；其次，构建了一种基于快速迭代收缩阈值(FISTA)框架的高精度非视距三维成像网络，利用非视距场景特性，将算法参数设计为网络权重的函数，实现非视距目标高精度、高效率三维重构；最后，搭建了近场非视距毫米波雷达成像平台，完成了理想与非理想反射面场景下金属字母“O”“S”以及埃菲尔铁塔模型、人造卫星模型等目标的实验验证，结果表明所提方法在提升三维成像精度的同时，运行速度较传统稀疏成像算法提升了两个数量级。
非视距(NLOS)毫米波雷达三维成像利用电磁波反射、衍射、散射、穿透等传播特性，实现对隐蔽环境目标的探测、定位和成像，在无人驾驶、灾害救援、城市作战等领域具有重要应用潜力。然而，受实际非视距场景中反射面、遮挡面等不确定性引入的相位误差、孔径遮蔽、多径效应影响，雷达成像出现分辨率差、伪影增多等问题。针对上述问题，结合深度展开网络和环境先验感知，该文提出了一种基于距离徙动(RM)算子学习驱动的非视距毫米波雷达三维成像方法。首先，建立了拐角(LAC)场景下非视距毫米波雷达三维成像模型，引入RM核算子提高成像效率，降低计算复杂度；其次，构建了一种基于快速迭代收缩阈值(FISTA)框架的高精度非视距三维成像网络，利用非视距场景特性，将算法参数设计为网络权重的函数，实现非视距目标高精度、高效率三维重构；最后，搭建了近场非视距毫米波雷达成像平台，完成了理想与非理想反射面场景下金属字母“O”“S”以及埃菲尔铁塔模型、人造卫星模型等目标的实验验证，结果表明所提方法在提升三维成像精度的同时，运行速度较传统稀疏成像算法提升了两个数量级。
12
2025, 14(2): 249-268.
被动雷达在预警探测和低慢小目标(LSS)检测中具有重要作用。由于被动雷达信号辐射源不可控，目标特性更为复杂，导致检测和识别极其困难。该文构建了被动雷达低慢小探测数据集(LSS-PR-1.0)，该数据集包含了直升机、无人机、快艇、客轮4种典型海空目标的雷达回波信号，以及低高海况的海杂波数据，为该领域研究提供了数据支撑。在目标特征提取和分析方面，首先采用奇异值分解海杂波抑制方法，去除海杂波强Bragg峰对目标回波的影响。在此基础上，提出4类10种多域特征提取和分析方法，包括时域特征(相对平均幅度)、频域特征(频谱特征、多普勒瀑布图、距离多普勒特征)、时频域特征、运动特征(航向差、航迹参数、速度变化区间、速度变异系数、加速度)等。基于实测数据对4种海空目标特性进行了对比分析，总结各类目标特性规律，为后续目标识别奠定了基础。
被动雷达在预警探测和低慢小目标(LSS)检测中具有重要作用。由于被动雷达信号辐射源不可控，目标特性更为复杂，导致检测和识别极其困难。该文构建了被动雷达低慢小探测数据集(LSS-PR-1.0)，该数据集包含了直升机、无人机、快艇、客轮4种典型海空目标的雷达回波信号，以及低高海况的海杂波数据，为该领域研究提供了数据支撑。在目标特征提取和分析方面，首先采用奇异值分解海杂波抑制方法，去除海杂波强Bragg峰对目标回波的影响。在此基础上，提出4类10种多域特征提取和分析方法，包括时域特征(相对平均幅度)、频域特征(频谱特征、多普勒瀑布图、距离多普勒特征)、时频域特征、运动特征(航向差、航迹参数、速度变化区间、速度变异系数、加速度)等。基于实测数据对4种海空目标特性进行了对比分析，总结各类目标特性规律，为后续目标识别奠定了基础。
13
2025, 14(1): 73-90.
毫米波雷达凭借其出色的环境适应性、高分辨率和隐私保护等优势，在智能家居、智慧养老和安防监控等领域具有广泛的应用前景。毫米波雷达三维点云是一种重要的空间数据表达形式，对于人体行为姿态识别具有极大的价值。然而，由于毫米波雷达点云具有强稀疏性，给精准快速识别人体动作带来了巨大的挑战。针对这一问题，该文公开了一个毫米波雷达人体动作三维点云数据集mmWave-3DPCHM-1.0，并提出了相应的数据处理方法和人体动作识别模型。该数据集由TI公司的IWR1443-ISK和Vayyar公司的vBlu射频成像模组分别采集，包括常见的12种人体动作，如走路、挥手、站立和跌倒等。在网络模型方面，该文将边缘卷积(EdgeConv)与Transformer相结合，提出了一种处理长时序三维点云的网络模型，即Point EdgeConv and Transformer (PETer)网络。该网络通过边缘卷积对三维点云逐帧创建局部有向邻域图，以提取单帧点云的空间几何特征，并通过堆叠多个编码器的Transformer模块，提取多帧点云之间的时序关系。实验结果表明，所提出的PETer网络在所构建的TI数据集和Vayyar数据集上的平均识别准确率分别达到98.77%和99.51%，比传统最优的基线网络模型提高了大约5%，且网络规模仅为1.09 M，适于在存储受限的边缘设备上部署。
毫米波雷达凭借其出色的环境适应性、高分辨率和隐私保护等优势，在智能家居、智慧养老和安防监控等领域具有广泛的应用前景。毫米波雷达三维点云是一种重要的空间数据表达形式，对于人体行为姿态识别具有极大的价值。然而，由于毫米波雷达点云具有强稀疏性，给精准快速识别人体动作带来了巨大的挑战。针对这一问题，该文公开了一个毫米波雷达人体动作三维点云数据集mmWave-3DPCHM-1.0，并提出了相应的数据处理方法和人体动作识别模型。该数据集由TI公司的IWR1443-ISK和Vayyar公司的vBlu射频成像模组分别采集，包括常见的12种人体动作，如走路、挥手、站立和跌倒等。在网络模型方面，该文将边缘卷积(EdgeConv)与Transformer相结合，提出了一种处理长时序三维点云的网络模型，即Point EdgeConv and Transformer (PETer)网络。该网络通过边缘卷积对三维点云逐帧创建局部有向邻域图，以提取单帧点云的空间几何特征，并通过堆叠多个编码器的Transformer模块，提取多帧点云之间的时序关系。实验结果表明，所提出的PETer网络在所构建的TI数据集和Vayyar数据集上的平均识别准确率分别达到98.77%和99.51%，比传统最优的基线网络模型提高了大约5%，且网络规模仅为1.09 M，适于在存储受限的边缘设备上部署。
14
状态: , 更新:
低仰角目标波达方向(DOA)估计是米波雷达与全息凝视雷达中的关键问题，其估计误差直接影响目标的测高精度。传统波束空间方法通过构建波束形成器，将高维阵元空间数据映射至低维波束空间以降低计算复杂度。然而，该类方法的有损映射会造成部分目标信息丢失，使目标仰角估计精度显著低于阵元空间方法。为解决这一问题，该文提出了一种低仰角目标高精度波束空间DOA估计方法。首先，推导了阵元空间与波束空间中DOA估计的克拉美罗界(CRB)，并分析了两者相等所需满足的充分条件。由于该条件在实际应用中难以严格满足，该文进一步提出一种基于近似条件的波束形成器设计方法。该方法在降低数据维度的同时，最大限度保留目标的有效信息。最后，基于最大似然准则实现了目标仰角的精确估计。仿真与实测结果表明，所提方法在显著降低处理数据维度的同时，能够在低仰角观测区域内保持与阵元空间方法相近的估计精度，并优于现有波束空间算法。
低仰角目标波达方向(DOA)估计是米波雷达与全息凝视雷达中的关键问题，其估计误差直接影响目标的测高精度。传统波束空间方法通过构建波束形成器，将高维阵元空间数据映射至低维波束空间以降低计算复杂度。然而，该类方法的有损映射会造成部分目标信息丢失，使目标仰角估计精度显著低于阵元空间方法。为解决这一问题，该文提出了一种低仰角目标高精度波束空间DOA估计方法。首先，推导了阵元空间与波束空间中DOA估计的克拉美罗界(CRB)，并分析了两者相等所需满足的充分条件。由于该条件在实际应用中难以严格满足，该文进一步提出一种基于近似条件的波束形成器设计方法。该方法在降低数据维度的同时，最大限度保留目标的有效信息。最后，基于最大似然准则实现了目标仰角的精确估计。仿真与实测结果表明，所提方法在显著降低处理数据维度的同时，能够在低仰角观测区域内保持与阵元空间方法相近的估计精度，并优于现有波束空间算法。
15
飞鸟和无人机(UAVs)是典型的“低慢小”目标，具有低可观测性，对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小，加之探测环境复杂，给目标探测带来极大困扰，已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术，实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结，介绍了飞鸟和无人机探测的主要手段，从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后，该文总结了现有研究存在的问题，对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。
飞鸟和无人机(UAVs)是典型的“低慢小”目标，具有低可观测性，对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小，加之探测环境复杂，给目标探测带来极大困扰，已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术，实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结，介绍了飞鸟和无人机探测的主要手段，从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后，该文总结了现有研究存在的问题，对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。
16
2026, 15(1): 307-330.
随着任务需求的日益多样化，雷达成像由传统的侧视和斜视模式开始向前视方向进行拓展。单脉冲成像技术凭借其前视成像能力、实时处理能力以及良好的抗干扰性能，能够有效克服传统成像方法在前视区域方位向分辨率低和多普勒对称模糊等问题，成为解决该问题的一项关键技术。首先，该文介绍了单脉冲跟踪与单脉冲成像的区别，系统梳理了单脉冲成像的现有技术方法和评价指标，并对不同方法的性能进行了分析。接着，介绍了单脉冲成像技术在三维成像、运动目标定位成像以及多视角图像融合等不同场景中的具体应用案例。最后，展望了单脉冲成像技术的发展趋势，分析了成像质量提升和应用范围扩展等未来研究方向。
随着任务需求的日益多样化，雷达成像由传统的侧视和斜视模式开始向前视方向进行拓展。单脉冲成像技术凭借其前视成像能力、实时处理能力以及良好的抗干扰性能，能够有效克服传统成像方法在前视区域方位向分辨率低和多普勒对称模糊等问题，成为解决该问题的一项关键技术。首先，该文介绍了单脉冲跟踪与单脉冲成像的区别，系统梳理了单脉冲成像的现有技术方法和评价指标，并对不同方法的性能进行了分析。接着，介绍了单脉冲成像技术在三维成像、运动目标定位成像以及多视角图像融合等不同场景中的具体应用案例。最后，展望了单脉冲成像技术的发展趋势，分析了成像质量提升和应用范围扩展等未来研究方向。
17
2026, 15(2): 583-604.
雷达高分辨距离像(HRRP)目标识别研究广泛、方法众多，特别是深度学习在雷达HRRP识别领域的应用与发展，为直接利用雷达回波实现高效、精确的目标感知提供了技术支撑。然而，深层识别网络依赖大量训练数据。对于非合作目标，受雷达系统参数、目标快速机动等因素限制，实际很难提前获取姿态完备的HRRP训练样本，深层识别网络面临学习过拟合、泛化能力显著下降的问题。针对上述问题，考虑关注目标的全姿态电磁仿真数据易获取，该文以仿真数据为辅助，从数据扩充和跨域知识迁移学习两方面来缓解小样本问题。数据扩充方面，结合一定姿态角角域范围内仿真、实测HRRP在均值和方差特性两方面的差异分析，对与少量实测HRRP同角域的大量仿真HRRP样本进行线性变换，使其均值、方差满足实测域HRRP特性，实现可表征真实HRRP分布特性的数据扩充。跨域知识迁移学习方面，考虑数据扩充策略仅能实现临近姿态角的样本扩充，对仿真数据知识的利用仍不充分，所提方法利用基于生成对抗约束的域对齐策略和基于对比学习约束的类对齐策略，将具有强可分性与泛化性的仿真域全姿态数据特征和实测域特征按类拉近，进一步辅助实测域数据的学习，实现小样本识别性能的更大提升。基于3类飞机目标以及10类地面车辆目标电磁仿真和实测HRRP数据的实验表明，所提方法相较于现有小样本识别方法具有更优的识别稳健性。
雷达高分辨距离像(HRRP)目标识别研究广泛、方法众多，特别是深度学习在雷达HRRP识别领域的应用与发展，为直接利用雷达回波实现高效、精确的目标感知提供了技术支撑。然而，深层识别网络依赖大量训练数据。对于非合作目标，受雷达系统参数、目标快速机动等因素限制，实际很难提前获取姿态完备的HRRP训练样本，深层识别网络面临学习过拟合、泛化能力显著下降的问题。针对上述问题，考虑关注目标的全姿态电磁仿真数据易获取，该文以仿真数据为辅助，从数据扩充和跨域知识迁移学习两方面来缓解小样本问题。数据扩充方面，结合一定姿态角角域范围内仿真、实测HRRP在均值和方差特性两方面的差异分析，对与少量实测HRRP同角域的大量仿真HRRP样本进行线性变换，使其均值、方差满足实测域HRRP特性，实现可表征真实HRRP分布特性的数据扩充。跨域知识迁移学习方面，考虑数据扩充策略仅能实现临近姿态角的样本扩充，对仿真数据知识的利用仍不充分，所提方法利用基于生成对抗约束的域对齐策略和基于对比学习约束的类对齐策略，将具有强可分性与泛化性的仿真域全姿态数据特征和实测域特征按类拉近，进一步辅助实测域数据的学习，实现小样本识别性能的更大提升。基于3类飞机目标以及10类地面车辆目标电磁仿真和实测HRRP数据的实验表明，所提方法相较于现有小样本识别方法具有更优的识别稳健性。
18
作为高级驾驶辅助系统(ADAS)核心之一的汽车毫米波雷达因其具有全天时、全天候、小型化、集成度高等优势，提供了关键的感知能力，逐渐成为国内外学者及厂商关注的焦点。汽车毫米波雷达以汽车作为平台，其核心性能指标主要有距离、速度、角度分辨率、视场范围等，此外，精度、成本、实时性、检测性能和体积也是需要考虑的关键问题。日益提升的性能需求给汽车毫米波雷达信号处理带来了诸多挑战。为了改进雷达性能以满足更严格的要求，雷达的信号处理技术是至关重要的一环。获取致密的雷达点云、生成精确的雷达成像结果、对抗多个雷达系统间的相互干扰是其中的重点，也是后续跟踪、识别等应用的基础。因此，该文从汽车毫米波雷达的实际应用出发，立足于信号处理的关键技术，总结了相关研究成果，主要讨论与车载毫米波雷达相关的以下主题： (1)点云成像处理；(2)合成孔径雷达成像处理；(3)互扰抑制。文章最后对国内外研究现状进行了总结，并展望未来汽车毫米波雷达的发展趋势，希望能给相关领域读者以启发。
作为高级驾驶辅助系统(ADAS)核心之一的汽车毫米波雷达因其具有全天时、全天候、小型化、集成度高等优势，提供了关键的感知能力，逐渐成为国内外学者及厂商关注的焦点。汽车毫米波雷达以汽车作为平台，其核心性能指标主要有距离、速度、角度分辨率、视场范围等，此外，精度、成本、实时性、检测性能和体积也是需要考虑的关键问题。日益提升的性能需求给汽车毫米波雷达信号处理带来了诸多挑战。为了改进雷达性能以满足更严格的要求，雷达的信号处理技术是至关重要的一环。获取致密的雷达点云、生成精确的雷达成像结果、对抗多个雷达系统间的相互干扰是其中的重点，也是后续跟踪、识别等应用的基础。因此，该文从汽车毫米波雷达的实际应用出发，立足于信号处理的关键技术，总结了相关研究成果，主要讨论与车载毫米波雷达相关的以下主题： (1)点云成像处理；(2)合成孔径雷达成像处理；(3)互扰抑制。文章最后对国内外研究现状进行了总结，并展望未来汽车毫米波雷达的发展趋势，希望能给相关领域读者以启发。
19
2026, 15(1): 276-291.
海杂波背景下目标检测在很多方面均发挥着至关重要的作用，但复杂海洋环境中海杂波存在类目标尖峰与宽谱特性，导致海用雷达面临检测低慢小目标虚警率增高的严峻挑战。该文利用S波段高多普勒和高距离分辨体制(“双高”体制)全息凝视雷达开展对海探测试验，获取海面、海空低慢小目标与海杂波数据，并附有目标位置与轨迹真值以及风、浪相关数据，构建S波段全息凝视雷达海上低可观测目标数据集，并分析其时域特性、频域特性与时间-多普勒特性，分析结果为数据使用提供参考。后续将持续开展试验，拓展海洋试验环境(如海况、区域)及目标类型，以提升数据的多样性，为支撑海上低可观测目标新体制雷达系统能力提升与海上目标检测识别性能提升提供开放数据集。
海杂波背景下目标检测在很多方面均发挥着至关重要的作用，但复杂海洋环境中海杂波存在类目标尖峰与宽谱特性，导致海用雷达面临检测低慢小目标虚警率增高的严峻挑战。该文利用S波段高多普勒和高距离分辨体制(“双高”体制)全息凝视雷达开展对海探测试验，获取海面、海空低慢小目标与海杂波数据，并附有目标位置与轨迹真值以及风、浪相关数据，构建S波段全息凝视雷达海上低可观测目标数据集，并分析其时域特性、频域特性与时间-多普勒特性，分析结果为数据使用提供参考。后续将持续开展试验，拓展海洋试验环境(如海况、区域)及目标类型，以提升数据的多样性，为支撑海上低可观测目标新体制雷达系统能力提升与海上目标检测识别性能提升提供开放数据集。
- 首页
- 上一页
- 1
- 2
- 3
- 4
- 5
- 下一页
- 末页
- 共:5页
微信 | 公众平台 
