1.基于CS和SVM决策级融合的SAR图像目标识别方法，其特征在于该方法的具体步骤是：步骤(1).预处理

1.1方位角的标记

对MSTAR数据库中的训练样本中7类的方位角进行手工标记，并与图像的索引建立一种映射关系；

1.2去噪、滤波

对原图进行裁剪，读取以图像中心点为中心的61×61图像区域，然后进行小波变换和均值滤波处理，以达到去噪的目的；

步骤(2).分类器模型设计

2.1建立压缩感知模型和基于压缩感知分类

2.1.1模型建立

在训练样本中，选取第i类目标的ni张图像，将第j张图像进行预处理，然后将图像的信息存放在一个列向量里来构成Ai的第j列vi,j，得到一个过完备字A ＝ [A1；...；Ai；...；Ak] ＝ [v1,1,...,v1,n1；....；vi,1,...,vi,j,...,vi,ni；...；

vk,1,...,vk,nk](m×n)；

其中Ai表示由第i类目标所有图像的信息，vi,j表示第i类目标第j张图像的信息给定测试图像y表示为y＝Ax0 式(1)；

其中 αi,j为实数；x0是稀疏系数，x0中只有与第i类目标相对应的值为非零，其它值均为零；用l1范数求解x0，表达如下：(P1) min||x0||1 subject to y＝Ax0 式(2)；

上式为压缩感知的优化重建问题，可求出稀疏解x0；

2.1.2基于压缩感知分类、姿态矫正

在 得 到 一 个 测 试 图 像y 时，用 压 缩 感 知 模 型 得 到 一 个 稀 疏 解采用最近邻方法找出分类结果；对于第i类目标，定义函数： 对于 是系数向量，即x0中仅与第i类目标相对应的值保持不变，其它值都赋值为零；定义残差ri(y)ri(y)＝||y-Aδi(x0)||2 式(3)；

残差值最小意味着测试图像与样本最接近，通过求解的残差最小值来判断类别；则测试图像y的所在类别s可由式子(4)判断： 式(4)；

2.2选择支持向量机模型参数

核函数采用径向基核函数；径向基核函数的重要参数惩罚因子C和γ由交叉验证和网格参数寻优方法训练得到，最优结果为C取值32和γ取值0.5；已校正和未校正的训练样本，采用SVM方法训练得到两个分类模型，然后用这两个分类模型得到两个分类结果；

步骤(3).姿态校正

利用训练样本构造字典后，利用压缩感知模型进行优化求解时，可根据获得稀疏解判断与之最相近的训练样本，即稀疏解x0的最大值位置t处表明测试样本与该训练样本最相似： 式(5)；

此时可利用该训练样本的姿态信息对测试图像进行姿态校正；

步骤(4).决策级融合

采用投票法对CS方法和SVM方法识别的三种结果进行决策级融合，即r＝MajorityVote(rcs,rsvm1,rsvm2) 式(6)；

式中rcs为基于CS方法的识别结果，rsvm1为未经过姿态校正的基于SVM方法的识别结果，rsvm2为经过姿态校正的基于SVM方法的识别结果；当出现三种结果不一致时，根据每种算法对训练样本的识别准确率作为先验知识进行判别，即 式(7)；

式中 为采用CS方法进行识别时识别结果为第i类的概率， 为基于未经校正的样本采用SVM方法进行识别时识别结果为第j类的概率， 为基于经校正的样本采用SVM方法进行识别时识别结果为第k类的概率。