1.一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，其特征在于，采用基于深度学习模型的初检和基于Loglogistic的CFAR精检相结合的检测方法，首先，构建OceanTDA9轻量级深度学习模型，采用所构建的轻量级深度学习模型进行海洋目标初检，在此基础上采用基于Loglogistic模型的CFAR方法进行海洋目标精细检测，提取海洋目标特征。

2.根据权利要求1所述的一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，其特征在于，OceanTDA9模型包含4个卷积层、1个卷积组和3个全连接层；每个卷积层的组织形式是Convolution2D‑ReLU‑Dropout‑Maxpooling；卷积组的组织形式是(Convolution2D‑ReLU‑Dropout)*2‑Maxpooling；3个全连接层中，前两个全连接层的组织形式是Dense‑ReLU‑Dropout，最后一个全连接层的组织形式是Dense。

3.根据权利要求1所述的一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，其特征在于，OceanTDA9模型的训练过程为：S101.对海洋目标样本特征数据x进行归一化处理，采用的归一化公式如下：其中，μ为特征的期望，σ为方差；

S102.配置训练优化算法、损失函数、监控参数；

S103.加载数据集，验证数据的合法性；

S104.将数据集分为多个周期，每个周期分为多个批次；

S105.将每个周期按批次打混索引，进行批次循环；

S106.计算交叉熵，采用反向传播算法和所改进的梯度下降算法WinR‑Adagrad，以0.01的学习速率不断地修改变量以最小化交叉熵；

S107.对批次指定的样本数进行训练，学习权重、偏置，计算损失、精度直到一个周期的批次都循环结束，再进入下一个周期进行批循环；

S108.直到循环完所有周期，保存模型及训练损失、精度。

4.根据权利要求3所述的一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，其特征在于，OceanTDA9模型损失函数采用目标分类和模型预测分类之间的交叉熵，其公式为：

式中，y‑i是第i个样本的输入值，hθ(xi)是第i个样本x的输出值，参数θ0的初值设置为

0.1，θ1的初值设置为标准差为0.1的正态分布浮点数。

5.根据权利要求1所述的一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，其特征在于，海洋目标精细检测采用Loglogistic概率密度函数来拟合复杂海况的海杂波分布，突出海杂波的长尾特征，在此基础上采用CFAR方法进行海洋目标特征提取。

6.根据权利要求1所述的一种基于OTD_Loglogistic的SAR数据海洋目标检测方法，其特征在于，海洋目标精细检测的原理和过程为：S201.计算初检保存在数组x中每个像素的频数绘制直方图；

S202.提取直方图中最小像素到最大像素间有效像素及对应的频数作为拟合数据并保存到数组x2、y2中；

S203 .调用Loglogistic复杂海况的 海洋杂波概率密度函数式拟合x2、y2，其中，x>0，α>0，β>0；

求出拟合曲线的α、β参数；

S204.计算拟合优度，包括卡方和绝对值误差；

S205.计算拟合曲线有效像素的积分 当积分值达到阈值时，输出临界像素Xtb；

S206.调用目标检测模型PixelsVal＞Xtb，将疑似目标保存到数组row2中；

S207.对数组row2图像窗口中疑似目标像素聚簇，并保存各个目标簇的参数，包括目标簇中心坐标、长度、宽度、像素总数及倾斜角。