1.一种基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，包括以下步骤：S1、建立机载SAR对海面舰船目标成像几何模型；

S2、将机载SAR的原始回波信号 变换到距离时域，完成距离脉压处理，得到第一回波信号数据  ；

S3、对第一回波信号数据 进行划分和处理，获得多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据 进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据 ；

S4、对运动补偿后的第一校正数据 进行距离走动校正，得到第二校正数据；

S5、对第二校正数据在距离向做逆傅立叶变换，在方位向做傅立叶变换，并对其采用图像中值滤波处理，获得第三图像数据 ，即SAR粗聚焦数据；

S6、采用深度神经网络U‑Net对第三图像数据 进行端到端目标分割提取；

S7、在方位向对目标分割所截取的数据 做逆傅立叶变换处理，变换到距离方位时域得第四图像数据 ；

S8、选取最优成像时间，对第四图像数据按相关法进行包络对齐处理，得到包络对齐后的一维距离像数据 ，即第五图像数据；

S9、对包络对齐后的一维距离向数据 进行相位相参性补偿处理，获得距离像序列数据 ；对该距离像序列数据进行keystone变换，对发生距离走动的散射点进行走动校正，获得第六图像数据 ；

S10、定标参数估计：利用去调频斜率Dechirp算法对目标高分辨瞬时成像，输入信号为第六图像数据 ，最终得到方位成像处理结果；

S11、对第六图像数据 在方位信号进行加窗和加权处理，获得方位压缩后的数据 ，并对其进行图像量化处理；

S12、图像定标：基于包括调频率样本在内的信息，估计图像距离和方位向刻度；

S13、对第六图像数据 进行逆傅立叶变换处理，将其变换到距离方位时域，根据图像定标参数结果，截取相应图像区域，输出精细ISAR图像。

2.根据权利要求1所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，在步骤S3中，将第一回波信号数据 数据在脉冲维划分成多个子块回波数据，在每个子块回波数据中取512个脉冲的回波数据，计算每个距离门所对应的相关系数，利用多普勒中心频率计算公式求取每个距离门所对应的多普勒中心频率，并排序，取中间值作为多普勒中心频率的估计，利用不模糊多普勒频率 ，计算模糊倍数，获得最终子块回波数据多普勒中心频率的估计值，构造运动补偿函数，对第一回波信号数据 进行距离FFT，并与运动补偿函数相乘，获得运动补偿后的第一校正数据 。

3.根据权利要求2所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S3的具体步骤如下：（1）第1子块回波数据每个距离门所对应的多普勒中心频率 采用原始回波数据最前面的512个脉冲估计，从第2子块开始，采用上一子块的最后512个脉冲来估计当前子块回波数据每个距离门所对应的多普勒中心频率 ，计算每个距离门的相关系数值，第 个距离门所对应的相关系数值为其中， 为当前子块回波数据所对应的方位门序号， 为当前子块回波数据所对应的距离门序号， 为当前子块回波信号数据， 为当前子块回波信号数据的距离门数，为当前子块回波数据方位门数；

（2）计算当前子块回波数据第 个距离门所对应的多普勒中心频率 ：其中， 为距离向频率， 表示求角度；对每个距离门所对应的多普勒中心频率排序，取中间值作为当前子块回波数据多普勒中心频率的估计值 ；

（3）考虑每个距离门所对应的多普勒中心频率 模糊问题，不模糊多普勒频率为其中， 为载机平台地速， 为斜视角， 为波长；模糊数 为其中， 为MATLAB函数，表示向下舍入到最接近的整数，最终多普勒中心频率估计值 为；

（4）对当前子块回波信号数据在距离向FFT，并与下式运动补偿函数 相乘，完成运动补偿处理，获得运动补偿后的第一校正数据 ，，

其中， 表示运动补偿函数， 表示复数符号， 表示指数函数。

4.根据权利要求3所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S4具体步骤如下：将运动补偿后的第一校正数据 乘以如下参考函数 ，得到距离走动校正的数据，即第二校正数据

其中， 为表示方位慢时间 时舰船目标到机载SAR平台之间的距离， 为发射信号载频，为光速，表示机载斜视ISAR发射线性调频信号的调频率。

5.根据权利要求4所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S5具体步骤如下：（1）对第二校正数据 在距离向做IFFT，方位向做FFT，其中，为距离快时间， 为方位向频率；

（2）利用图像中值滤波的方法对 进行去噪处理，获得SAR粗聚焦的第三图像数据 ，图像的中值滤波表示为：其中， 为滤波窗口， 表示对窗口内的灰度值求中值， 为数据 第行第 列值。

6.根据权利要求5所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S6采用深度神经网络 模型，对SAR粗聚焦的第三图像数据 进行端到端目标分割提取，具体步骤如下：（1）目标函数优化

采用目标掩蔽与预测的交叉熵损失作为损失函数，其表达式如下：其中， 为真实值， 为预测标签值，对于前景即目标，标签值为1，对于背景，标签值为

0， 表示求以10为底的对数；

（2）预训练

采用迁移学习的方法，首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练；然后利用RSOD Dataset数据集，对模型参数进行训练，得到最终的模型，预训练时设置批次为1，学习率为0.1，训练 200 个轮回后保存模型参数，用于之后的训练；

（3）训练

加载预训练的参数到模型中，以同样的训练参数，对第三图像数据 进行训练，实现舰船目标的提取分割；

（4）舰船目标进行边界检测

分别计算舰船目标的最小距离单元 、最大距离单元 、最小方位单元 和最大方位单元 ，结合 数据，对数据截取窗口进行合理设置，使得目标分割所截取的数据 的距离门数 和方位门数 满足下式：其中， 为距离门数序号， 为方位门数序号， 、 取整数，使 和 取值分别满足2的 次幂和2的 次幂。

7.根据权利要求6所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S8中最优成像时间选取的具体步骤如下：（1）采用滑窗 ，以及步骤S3中多普勒中心频率估计的方法，针对第四图像数据估计每个滑窗时刻的多普勒中心频率估计 ，得到时间多普勒曲线， 对应滑窗时刻， 为滑窗方位门数；

（2）求多普勒曲线相邻多普勒中心频率之差的绝对值；

（3）取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。

8.根据权利要求7所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S8中，设置滑窗对齐的累积脉冲序数为 ，对第四图像数据 ，按相关法进行包络对齐，具体处理步骤如下：（1）从第2个一维距离像开始，按下式求系数序列 ；

其中， ，

为对齐后的数据， ， 表示方位门序号 所对应的距离门数据， 表示滑窗移动步长， 表示滑窗对齐的累积脉冲序数，符号 表示求共轭，为移位函数， 表示求绝对值；

（2）按下式求系数序列 的最大值索引 ；

其中， 表示求最大值， 表示所求得的最大值；

（3）计算移动单元数 ；

；

（4）对第 进行移动对齐，得到包络对齐后的一维距离像数据 ，即第五图像数据：其中， ， 。

9.根据权利要求8所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S9中，对第五图像数据 进行相位相参性补偿处理，使得方位成像具备相参性，具体处理步骤如下：（1）利用第五图像数据 计算幅度方差 并排序，计算公式如下：其中， 为求方差， 为求均值， 为从小到大排序， 为排序后的幅度方差值， 为 在 中所对应的索引位置；

（2）利用排序结果 选取用来相位补偿的距离单元，输入阈值 要经过比较确认，计算公式如下：

其中， 和 分别表示不大于阈值 对应的距离单元位置， 为MATLAB函数，表示找到某个值所处的行列位置序号；

（3）利用选取的距离单元对一维距离像序列进行相位补偿得到距离像序列数据 ，计算公式如下：其中， 表示求角度， 表示共轭。

10.根据权利要求9所述的基于深度学习的机载舰船目标ISAR精细化成像方法，其特征在于，步骤S10中，定标参数估计具体处理步骤如下：（1）、设定第 个距离单元信号调频率范围为 ， 表示调频率的最小值， 表示调频率的最大值， 为搜索步长，搜索范围事先输入，通过4次迭代搜索实现对调频率精确估计值 ；

（2）、由估计的调频率构造分量信号，并估计调频分量的峰值位置信息，计算公式如下：其中， 为海明窗函数， 为最大值索引， 表示所求得的最大值；

（3）、由调频分量的主峰位置确定左右截止点 和 ；

（4）、估计线性调频分量信号，计算公式如下：

其中， 表示形成指定维数的零矩阵， 为插值倍数， 代表方位门数，表示复数符号， 为移位函数， 为分解次数， 表示求绝对值； 和 分别为调频分量主峰位置左右截止点， 为调频率精确估计值， 、 、 、 为相应公式计算结果， 为调频率精确校正后的图像数据， 为调频率精确估计值最终结果，为调频率精确校正之前图像数据的幅度值；

得到第1个调频分量后，重复（1）（4）步骤，继续分解，直到达到设置的分解个数 和~剩余能量百分比。