1.融合几何信息的SAR目标数据智能生成方法，其特征在于，包括如下步骤：

对光学图像中目标进行轮廓提取，获得目标的几何结构图，利用几何结构图计算目标在不同雷达入射方位下的主导散射边界；人工对光学图像中目标进行标注，获得目标的类别标签；

以对抗生成网络为基础构建SAR图像生成网络，所述SAR图像生成网络包括引入多层注意力机制的生成器、判别器和分类器；

将目标在不同雷达入射方位下的主导散射边界、几何结构图和类别标签输入生成器，获得生成的SAR图像；

将生成的SAR图像或真实SAR图像输入判别器，用于判断图像属于真实样本还是生成样本；将生成的SAR图像或真实SAR图像以及对应的类别标签输入分类器，用于判断图像的类别；所述判别器和分类器均将判断结果反馈至引入多层注意力机制的生成器。

2.根据权利要求1所述的融合几何信息的SAR目标数据智能生成方法，其特征在于，所述引入多层注意力机制的生成器包括依次连接的编码器、连接单元和解码器，其中，所述编码器由注意力单元、四个下采样模块构成，每个下采样模块包括依次连接的卷积层、InstanceNorm层和ReLU激活函数；注意力单元包括第一注意力模块、第二注意力模块和第三注意力模块，所述第一注意力模块包括卷积层和Sigmoid函数层；所述第二注意力模块和第三注意力模块均包括卷积层、ReLU激活函数和卷积注意力机制模块；

所述连接单元包括依次连接的五个残差模块，每个残差模块包括依次连接的卷积层、InstanceNorm层、ReLU激活函数、InstanceNorm层和ReLU激活函数；

所述解码器括依次连接的三个上采样模块和输出模块；每个上采样模块包括依次连接的反卷积层、InstanceNorm层和ReLU激活函数；输出模块包括依次连接的卷积层和Tanh函数。

3.根据权利要求2所述的融合几何信息的SAR目标数据智能生成方法，其特征在于，所述编码器的处理过程，包括如下步骤：将主导散射边界输入第一注意力模块获得权重图，将权重图与主导散射边界进行元素相乘，获得调整后的特征图；几何结构图、类别标签和调整后的特征图进行拼接后输入第一个下采样模块；

将主导散射边界输入第二注意力模块中依次进行通道和空间维度上的特征注意力加权，所述第二注意力模块的输出与第一个下采样模块的输出进行拼接，作为第二个下采样模块的输入；主导散射边界经过第二注意力模块中卷积层、ReLU激活函数后输入第三注意力模块依次进行通道和空间维度上的特征注意力加权，第三注意力模块的输出与第二个下采样模块的输出进行拼接，作为第三个下采样模块的输入。

4.根据权利要求2所述的融合几何信息的SAR目标数据智能生成方法，其特征在于，所述第一注意力模块中卷积层的卷积核大小为7×7；

四个所述下采样模块中的卷积层的卷积核大小均为3×3，且除第一个下采样模块的卷积层步长设置为1，剩余下采样模块的卷积层步长均设置为2；

三个所述上采样模块中反卷积层的卷积核大小均为3×3，步长设置为2；

所述输出模块中卷积层的卷积核大小为7×7。

5.根据权利要求1所述的融合几何信息的SAR目标数据智能生成方法，其特征在于，所述判别器包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块；所述分类器包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、第一全连接模块和第二全连接模块，所述判别器和分类器共用第一卷积模块、第二卷积模块和第三卷积模块。

6.根据权利要求5所述的融合几何信息的SAR目标数据智能生成方法，其特征在于，所述第一卷积模块由卷积层和LeakyReLU激活函数构成，所述第二卷积模块、第三卷积模块和第四卷积模块均包括依次连接的卷积层、InstanceNorm层和LeakyReLU激活函数，第五卷积模块由卷积层和Sigmoid激活函数构成；所述第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块和第五卷积模块中的卷积层的卷积核大小均为3×3，步长为2。

7.根据权利要求5所述的融合几何信息的SAR目标数据智能生成方法，其特征在于，所述第一全连接模块使用LeakyReLU作为激活函数；所述第二全连接模块使用Softmax作为激活函数。