舰船ISAR图像目标识别现在已经得到广泛应用,但由于舰船目标的散射特性受到多种要素影响,使得采用ISAR目标识别的识别率相对较低。因此,改善舰船ISAR像的识别率是现在的研究热点。光学图像由于其分辨率高,图像信息丰富,识别率高,并且更加有利于人工干预的特性,使得其在人工交互方面占据优势,从而更加有利于有人/无人智能系统。在实际情况中,我们往往不能够同时获得舰船目标的ISAR和光学这两类异质图像。由于光学图像受到天气、气候(雾、霾、雨、云等)的影响,使其工作的时间有限;即便是处于天气条件良好的时候,光学图像进行成像的距离有限,并且受到光源影响,在光线不充足的情况下难以获得目标的图像。而ISAR是主动探测的,作用距离远,且其分辨特性不受距离的影响,光线的强度对成像结果也无影响,在各种气候以及各个时间都能够工作。因此在大部分情况下,舰船目标的ISAR像是我们能够得到的仅有图像。本文围绕舰船ISAR像的目标识别这一问题展开研究,期望利用已有部分信息(舰船ISAR像)来生成缺失信息(光学图像),进而达到改善舰船目标ISAR像识别效果的目的。主要内容包括:首先,在本文中阐述了逆孔径合成雷达是如何进行成像的,详细的对距离-多普勒的成像机制进行了分析,并基于此对三种不同舰船模型进行了成像仿真,并且对舰船三种转动形式逐一分析了对应的成像的特性。为了后续研究更加方便对图像进行了预处理,构建了舰船ISAR像的图像库。其次,针对图像目标识别这一问题,本文中采用卷积神经网络的网络来完成。在文中对这一网络构成进行了说明,详细阐述了卷积神经网络各个层的用途以及各自的误差敏感项,本文紧接着基于图像库,利用卷积神经网络进行了对舰船ISAR像的分类识别,并得到了识别准确率,对结果进行了合理的说明以及分析。最后,关于使用已有信息生成缺失信息这一问题,本文采用了对抗生成网络来达到这一目的。具体而言采用了两类网络,第一类是Pix2pix网络,在该网络的生成器输入端放入舰船ISAR像,鉴别器输入端放入对应的光学图像,训练此网络直到达到纳什平衡,此时生成器输出的就是接近于光学图像的生成图像,后续将生成的图像与ISAR像合并得到新的图像,同样利用卷积神经网络对新的图像进行特征提取与分类识别,最终获得舰船目标的识别率;第二类是部分模式对抗生成网络,它的生成器输入是ISAR像的特征,鉴别网络包含了鉴别器和预测器两部分,鉴别网络中鉴别器的输入是光学图像特征,输出是生成特征。预测器的输入则是ISAR像特征和生成特征融合之后的新特征,预测器对新的特征进行分类,进而输出舰船的识别准确率。仿真实验的结果表明,利用这两类网络均能够改善仅凭借舰船ISAR像的识别效果。