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。

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。

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。

深度卷积网络等深度学习算法变革了计算机视觉领域，在多种应用上的效果都超过了以往传统图像处理算法。该文简要回顾了将深度学习应用在SAR图像目标识别与地物分类中的工作。利用深度卷积网络从SAR图像中自动学习多层的特征表征，再利用学习到的特征进行目标检测与目标分类。将深度卷积网络应用于SAR目标分类数据集MSTAR上，10类目标平均分类精度达到了99%。针对带相位的极化SAR图像，该文提出了复数深度卷积网络，将该算法应用于全极化SAR图像地物分类，Flevoland 15类地物平均分类精度达到了95%。