1.基于GAN和SVM的SAR图像目标识别方法，其特征在于该方法包括以下步骤：步骤(1)、采用多尺度分形特征对SAR图像进行增强，对经过阈值分割后的目标二值图像基于Hu不变矩估计目标方位角；

步骤(2).利用SAR训练图像及对应的目标方位角编码信息对DRGAN模型进行参数优化，利用DRGAN模型的生成模型生成不同角度的SAR图像，并将不同角度的SAR图像归一化到同一角度区间，具体是：将[0°,360°)均分为Na个区间，每个区间的角度范围如式(7)所示；此时将步骤(1)得到的目标方位角估计值θ转化为独热(one hot)编码形式a；

DRGAN模型包括生成模型G和判别模型D两部分，通过交替进行训练，优化模型G和D的参数，使得生成模型G能够捕捉到训练样本的分布；生成模型G包含编码器Genc和解码器Gdec两部分，Genc为一个由一系列卷积(Convolution)构成的CNN模型，将原始SAR图像I经编码器Genc转换成一个向量，然后结合目标方位角估计值的one hot编码a和一维随机噪声向量n作为解码器Gdec的输入，如式(8)所示；再经过由反卷积(DeConvolution)构成的解码器Gdec生成图像其中concat()表示向量连接操作；

原始SAR图像I和生成图像 分别送入到判别模型D进行判别；判别模型D输出两个分支，其中一个分支输出Nt+1维的目标类别的one hot编码，其中Nt为样本类别数目；另一个分支输出Na维的目标方位角的one hot编码；Na为目标方位角量化区间数量；训练时，两个输出的损失函数均采用交叉熵损失函数；

对于原始图像I，输出的类别one hot编码设定为向量中前Nt维仅目标类别对应的维度为1，其余均为0；对于生成图像 输出的类别one hot编码设定为最后一维为1，其余为0；

步骤(3).基于训练得到DRGAN模型中的深度生成模型G对SAR训练图像进行方位角归一化，提取SAR图像灰度特征，采用SVM作为分类器进行训练；

步骤(4).基于训练得到DRGAN模型中的深度生成模型G对SAR测试图像进行方位角归一化，提取SAR图像灰度特征，利用训练得到的SVM分类器进行测试。

2.如权利要求1所述的基于GAN和SVM的SAR图像目标识别方法，其特征在于步骤(1)具体包括如下：

1.1由于SAR图像具有较强的相干斑噪声，对SAR图像进行均值滤波；

1.2依据分形理论，利用地毯覆盖法在多尺度ε＝1…εmax情况下计算滤波后SAR图像表面积A(x,y,ε)的公式如下：A(x,y,ε)＝V(x,y,ε)/2ε                         (2)其中，U(m,n,ε)和B(m,n,ε)分别为像素坐标x,y处，尺寸为(2ε+1)×(2ε+1)范围内像素的最大值和最小值，V(x,y,ε)为像素坐标x,y处由最大值和最小值曲面围成的三维空间的体积；

定义一个多尺度分形特征K(x,y,ε)，其计算公式为

1.3基于多尺度分形特征K(x,y,ε)定义一个度量IMFFK(x,y)用于图像增强，具体公式如下：采用度量IMFFK(x,y)对步骤1.1滤波后SAR图像进行增强；

1.4采用自适应阈值分割的方法对增强后SAR图像进行处理，得到目标检测结果，即目标二值图像B；

1.5由于相干斑噪声的影响，分割后的目标二值图像中包含多个连通区域；采用面积滤波方法，计算目标二值图像中每个连通区域的包围盒，然后选择面积最大的连通区域作为候选目标区域；

1.6利用候选目标区域内的二值图像，基于Hu二阶矩估计目标的方位角，即候选目标二值图像外接椭圆的主轴方向；目标方位角估计值计算公式如下：其中B(x,y)为候选目标区域内图像B中像素坐标x,y处的像素值，i,j＝0,1,2。

3.如权利要求1所述的基于GAN和SVM的SAR图像目标识别方法，其特征在于步骤(3)具体包括如下：采用步骤(2)训练得到的生成模型G对输入训练图像I进行变换，此时将所有训练样本输入的目标方位角估计值one hot编码设置成一样，则此时相当于对输入图像进行方位角归一化，得到生成图像 后，将该图像向量化处理，然后除以255.0，将图像灰度归一化到[0 

1]区间；以此作为输入特征，采用SVM进行分类器训练。

4.如权利要求1所述的基于GAN和SVM的SAR图像目标识别方法，其特征在于步骤(2)中Genc结构的每个卷积层(Conv*)由Conv+bn+relu组合构成，Gdec结构的每个反卷积层(DeConv*)由DeConv+bn+relu组合构成，Conv为卷积操作，Deconv为反卷积操作，bn为批归一化操作，relu为指数线性单元激活函数。