1.一种基于迁移学习的小样本SAR图像舰船分类方法，其特征在于，该方法具体包括以下步骤：S1：对SAR图像舰船切片进行预处理，使舰船切片满足迁移学习对输入图片的要求；

S2：对SAR图像集进行图像增强；

S3：将SAR图像舰船类别作为标签，并将不同种类舰船图像分别通过深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)，生成相似分布的舰船图像集；

S4：判断步骤S3中的DCGAN网络代价函数是否收敛，若收敛，则判断生成图片是否相似于对应舰船类别；若不收敛，对应类别则继续对DCGAN网络参数进行调节；

S5：将原始及生成的SAR图像数据集通过去噪自编码器，提取舰船特征，去除SAR图像噪声；

S6：对步骤S5输出图像进行归一化处理，将图像像素减去像素均值；采用ResNet网络进行迁移学习，将处理后图像作为ResNet网络输入，并在ResNet网络后面构造分类识别网络；

最终输出SAR图像中舰船类别的判断结果；具体包括以下具体步骤：

S61：使用经过ImageNet数据集预训练的ResNet网络提取bottleneck feature，并删除ResNet网络顶层的全连接层；

S62：将步骤S61提取的特征作为输入，采用迁移学习构建舰船分类的全连接网络，具体包括以下步骤：S621：对步骤S5输出图像进行归一化处理，将图像像素减去所有图像像素均值，将图像加载为4维tensor，作为ResNet网络输入；

S622：提取ResNet网络bottleneck_feature特征，作为卷积网络高度提取后的特征向量，将次特征向量通过GlobalAveragepooling2D扁平化为1维向量作为分类MLP网络的输入；

S623：构建分类MLP网络，包括三层全连接层，前两层节点数目为512、256，激活函数采用relu函数，并在每层全连接层后添加DropOut正则化层；最后一层节点数为舰船种类数量，激活函数采用softmax作为多分类输出；

S624：设置MLP网络学习速率和batch_size，采用提前停止的方法，观察代价函数的收敛情况，若代价函数收敛后则停止训练；

S625：MLP网络预训练完成后采用fine‑tune方法打开部分顶层卷积层进行训练；

S63：经过步骤S625训练后采用fine‑tuning方法开放最顶层的卷积网络，对其权重进行训练；并采取腐蚀学习速率的方法让学习速率随着轮次逐渐变小，使代价函数收敛到局部最优点。

2.根据权利要求1所述的一种基于迁移学习的小样本SAR图像舰船分类方法，其特征在于，所述步骤S1具体包括：采用VV极化下的SAR图像，然后通过对SAR图像舰船切片进行预处理，SAR图像进行图像可视化得到0‑255的灰度图像，对灰度图像处理保持维度一致为128*

128*1，并对图像进行归一化处理使其值在[‑1,1]范围内。

3.根据权利要求1所述的一种基于迁移学习的小样本SAR图像舰船分类方法，其特征在于，所述步骤S3中，DCGAN网络包括生成器网络和辨别器网络；DCGAN网络辨别器的损失函数为：其中， θj为生成器神经网络参数，m为生成器神经网

络参数数量，n为样本数目， 为辨别器对真实图像的损失函数，

为辨别器对生成图像的损失函数，α为正则化超参，通过控制α来达到

避免过拟合。

4.根据权利要求3所述的一种基于迁移学习的小样本SAR图像舰船分类方法，其特征在于，所述步骤S3中，所述辨别器网络由5层卷积层组成，输入为图像维数为128*128*1，滤波器大小为5*5，滤波器移动步长为2，图像边界不填充，无偏置项，前5层采用leak_relu作为激活函数，最后一层采用sigmoid函数作为辨别输出结果；卷积层参数采用xavier初始化方法，并在每个卷积层添加dropout层避免模型过拟合，丢弃率设置为0.2。