1.基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，包括以下步骤：输入训练样本图像集和测试样本图像并进行归一化处理，分别求取训练样本图像集中训练样本图像对应的训练样本列向量，以及测试样本图像对应的测试样本列向量；根据目标类别构造字典矩阵，然后对测试样本列向量进行建模；

根据最大后验概率准则，求解测试样本列向量在字典矩阵下的稀疏表示向量，利用稀疏表示向量和字典矩阵求解重构误差；根据重构误差确定最终的识别结果。

2.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的根据目标类别构造字典矩阵，包括：对于第c类目标的训练样本列向量构造字典矩阵Dc，其中，c＝1,2,...,C，C表示目标类别的总数。

3.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的对测试样本列向量按照如下公式建模：其中，y表示测试样本列向量，Dc表示第c类目标的训练样本列向量构造的字典矩阵，αc表示对应的稀疏表示向量，εc表示测试样本列向量中的斑点噪声向量， 表示点乘运算。

4.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的根据最大后验概率准则，求解测试样本列向量在字典矩阵Dc下的稀疏表示向量αc，包括：其中，p(αc|y)表示后验概率分布函数，p(y|αc)表示似然函数，p(αc)表示先验概率分布函数；

似然函数p(y|αc)利用Gamma分布进行建模；

先验概率分布函数p(αc)利用Laplace分布进行建模。

5.如权利要求4所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的似然函数p(y|αc)利用Gamma分布进行建模，具体公式为：其中，l表示SAR图像的视数，Γ(·)表示Gamma函数，d表示测试样本列向量中的元素个数，yi表示测试样本列向量中的第i个元素，i＝1,2,...,d，rci表示Rc的第i个元素，Rc＝Dcαc＝[rc1,rc2,...,rcd]T，exp(·)表示指数函数，T表示求矩阵转置。

6.如权利要求4所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的先验概率分布函数p(αc)利用Laplace分布进行建模，具体公式为：p(αc)∝exp(-η||αc||1)

其中，η为常数，可采用5折交叉验证的方法从集合{10-2,10-1,100,101,102}中选取，||·||1表示求1范数操作。

7.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，步骤1中对训练样本图像集进行归一化的处理过程包括：对于训练样本图像集中的每一幅训练样本图像，以训练样本图像的几何中心为基准截取n像素*n像素的子图像，n为整数；将子图像中每一个像素的幅度值分别除以该子图像中所有像素幅度值的最大值，得到训练样本图像的归一化子图像。

8.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的利用稀疏表示向量和字典矩阵求解重构误差，具体公式为：ec＝||y-Dcαc||2

其中，||·||2表示求2范数操作。

9.如权利要求1所述的基于乘性稀疏表示和Gamma分布的SAR目标识别方法，其特征在于，所述的根据重构误差确定最终的识别结果，包括：获得全部的重构误差后，将最小重构误差对应的目标类别作为最终的识别结果。