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。

极化合成孔径雷达(PolSAR)地物分类是SAR图像智能解译领域的研究热点之一。为了进一步促进该领域研究的发展，该文组织并发布了一个面向大规模复杂场景的极化SAR地物分类数据集AIR-PolSAR-Seg-2.0。该数据集由三景不同区域的高分三号卫星L1A级复数SAR影像构成，空间分辨率8 m，包含HH, HV, VH和VV共4种极化方式，涵盖水体、植被、裸地、建筑、道路、山脉等6类典型的地物类别，具有场景复杂规模大、强弱散射多样、边界分布不规则、类别尺度多样、样本分布不均衡的特点。为方便试验验证，该文将三景完整的SAR影像裁剪成24,672张512像素×512像素的切片，并使用一系列通用的深度学习方法进行了实验验证。实验结果显示，基于双通道自注意力方法的DANet性能表现最佳，在幅度数据和幅相融合数据的平均交并比分别达到了85.96%和87.03%。该数据集与实验指标基准有助于其他学者进一步展开极化SAR地物分类相关研究。

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%。

星载钠荧光多普勒激光雷达可以用来测量全球的中间层顶及低热层区域的大气风场、温度及钠原子数密度等。为了从理论上分析星载钠荧光多普勒激光雷达的可行性，该文依据激光雷达方程，对星载钠荧光多普勒激光雷达的回波信号强度以及大气参数测量精度进行仿真计算。分析结果显示在使用400 km轨道高度，30.0观测角度，9.0 W激光发射功率，1.0 m接收望远镜口径，2.0 km垂直距离分辨率，30.0 s信号累积时间情况下，可获得0.8 m/s视线风速测量精度，1.5 m/s水平风速测量精度和2.5 K温度测量精度。

在合成孔径雷达遥感图像中，舰船由金属材质构成，后向散射强；海面平滑，后向散射弱，因此舰船是海面背景下的视觉显著目标。然而，SAR遥感影像幅宽大、海面背景复杂，且不同舰船目标特征差异大，导致舰船快速准确检测困难。为此，该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别；其次，针对不同场景下的图像进行差异化的显著性检测；最后，使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习，使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助，且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证，体现了该算法的有效性。

SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别，是SAR图像解译的关键技术之一。然而针对尺寸相差较大的SAR目标的同时检测，即跨尺度目标检测问题，现有目标检测方法难以实现。该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法。在特征提取阶段采用特征转移方法，实现各层特征图的有效连接，实现不同尺度特征图的提取；同时采用空洞卷积群方法，增大特征提取的感受野，促使网络提取到大尺度目标特征。上述环节能够有效保留不同尺寸目标特征，从而实现SAR图像中跨尺度目标的同时检测。基于高分三号SAR数据、SSDD数据集及高分辨率SAR舰船检测数据集-2.0等数据集的试验表明，该文方法能够实现SAR图像中机场、舰船等跨尺度目标的检测，在已有数据集上mAP达96.5%，较特征金字塔网络算法提升8.1%，并且整体性能优于现阶段最新的YOLOv4等目标检测算法。

该文首先提出了软件化雷达(Software Radar)这一新技术概念, 并对软件化雷达的定义、定位、技术特点以及可能带来的影响进行了系统阐述。文中指出, 数字化雷达、软件化雷达和智能化雷达是现代雷达系统技术发展的3个不同阶段, 目前正处于从数字化雷达向软件化雷达过渡的重要时期。软件化雷达的核心特征体现在：标准化、模块化和数字化特征, 开放式的体系架构以及以软件技术为核心, 面向应用需求的开发模式。和传统的以硬件技术为核心, 面向专用功能的开发模式不同, 软件化雷达注重软件和硬件的解耦, 从而使得可以通过软件定义方式快速开发雷达系统, 并灵活地实现系统资源配置、功能扩展和性能提升, 以满足实际应用的需求。然后, 为了进一步阐述软件化雷达系统的技术特点, 该文对清华大学研制的软件化雷达信号处理系统RadarLab2.0进行了介绍。最后, 结合对空情报雷达的应用需求, 对软件化雷达技术的发展给出了建议。