近年来，随着工业、农业、林业的发展，对地观测需求日益提高，提高对地观测效率成为了科研热点。对地观测需要获取地面遥感图像，而遥感图像的种类主要有两种，可见光及近红外波段的光学遥感图像和微波波段的 SAR 遥感图像。SAR 图像具有全天时全天候的优势，可以在各种天气环境，各种时间下对地观测。然而SAR图像由于成像机理的原因，难以肉眼识别，因此有 90%以上的 SAR 图像由于难以标注未被利用。而光学图像恰好相反，易于肉眼分辨却难以全天候全天时获取。因此，如果能够将大规模的SAR图像数据转换为方便标注的光学图像，这将对星载SAR遥感地物识别分类带来巨大的帮助。本文研究了从SAR遥感图像到光学遥感图像映射的生成网络方法，具体创新性结果如下：
　　针对 SAR-光学图像的共同特征提取，提出图像配对任务，设计了基于双路残差配对的特征提取网络，利用更少的网络参数量，达到了更好的分类识别结果。该算法通过判断 SAR-光学图像对是否配对，提取 SAR-光学图像的共同特征。本文提出的双路残差网络模型，使用了双路特征提取模块、残差基本模块和全卷积结构。从原始数据开始训练，实验结果表明，在使用了更少的网络参数量的同时，在图像对是否配对的二分类任务中，达到了更高的准确率。
　　针对SAR-光学图像的差异特征提取，提出了模态分类任务和地物分类任务，设计微调VGG网络模型，在使用了更少的训练时间，达到了更好的分类效果。通过模态分类任务和地物分类任务，对比VGG网络、GoogLeNet、ResNet三种分类网络模型以及微调网络策略和从头训练策略进行差异特征提取的效果。实验结果表明， VGG网络得到了更高的分类精度，微调网络策略能够有效地提高网络的泛化性能，进而提高分类精度。
　　针对SAR-光学图像映射，提出了空频一致性生成对抗网络模型框架（SFGAN），使得生成图像的纹理细节更加逼真，道路河流等线特征更加清晰。针对光学图像和SAR图像的成像机制，设计了脊波、离散余弦变换和 VGG 网络的特征损失函数。基于这些特征损失函数，本文提出了空频一致性生成对抗网络模型（SFGAN）。从原始数据进行训练，实验结果表明，本文提出的算法在统计指标和人眼辨识上都取得了更好的结果。本文同时设计了消融实验，验证损失函数的有效性。实验结果表明SFGAN方法能够从较小规模的SAR-光学图像对数据中，学习到匹配关系，从而实现从SAR图像到光学图像的映射。
　　综上所述，本文通过分析物理机制，设计了提取星载 SAR-光学图像差异特征和共同特征的网络模型，并基于特征提取网络模型和变换域算法，提出了空频一致性损失函数，实现了从SAR图像到光学图像的映射。