1.基于雷达图像和相似度权重的路面目标识别方法，具体步骤如下，其特征在于,步骤1：获取实验数据：使用合成孔径雷达检测系统监测路面目标得到路面目标SAR图像x；

步骤2：设计CNNs模型：模型主要由1个输入层、2个卷积层、2个下采样层、全连接层和输出层组成；

步骤2中CNNs模型组成如下：

卷积层+采样层的结构用来提取SAR图像的图像特征，全连接层用于对图像特征的细化提取，对图像细化提取之后在Softmax层中完成输入和输出之间的映射；

步骤3：CNNs模型预训练：将步骤1中的SAR图像数据分为训练样本和测试样本，将一组含有标签的路面目标SAR图像作为CNNs的训练数据，训练CNNs模型；

步骤3中训练CNNs模型如下：

步骤3.1：设计第一层CNNs网络模型的卷积层和采样层；

h×w×c

步骤3.1.1：将多通道的输入图像x∈R 通过输入层输入到卷积层，其中h是图像高度，w是图像宽度，c是图像通道数，使用卷积层提取图片特征，将输入图像与一组卷积核进行卷积操作其中，c'是卷积核的数量，bk'是偏置项，Wijdk'是权重系数，i'、j'和k'分别是是卷积后输出图像的高度、宽度和通道数；卷积核在输入图像中按照宽度和高度的方向依次扫描像素点，获得图像中不同位置的激活值，得到二维的图像特征yi'j'k'；

式1中的f(·)是CNNs卷积网络的非线性激活函数tanh函数，其表达式为:使用非线性激活函数在隐含层传递参数时，可解决线性函数拟合能力差的问题；

步骤3.1.2：下采样层实现特征降维：实际的路面目标SAR图像有着平移敏感性和姿态敏感性问题，即当图像中的目标发生了位移，将会影响SAR图像分类精度；为了消除图像的平移敏感性和姿态敏感性问题，得到包含更多有用信息特征，通过步骤3.1.1得到二维图像后，使用下采样层的max pooling降低特征维度hm和wm分别是下采样窗口的高度和宽度，i'、j'和k分别是是下采样后输出图像的高度、宽度和通道数，y是经过卷积得到的图像特征；

步骤3.2：设计第二层CNNs网络模型的卷积层和采样层；将第一个卷积层和采样层的输出作为第二层卷积层和采样层的输入，算法与步骤3.1相同；

步骤3.3：训练CNNs网络模型；

步骤3.3.1：设置CNNs网络模型的损失函数，将交叉熵函数作为损失函数，用来描述模型预测值和真实值之间的差距：(i) (i)

式中，J(θ)是损失值，x 是路面目标SAR图像样本，y ∈{1,2,...,n}是样本标签，n是路面目标样本的类别总数， 是第j类样本的网络输出指数，l{·}是判断类别输出函数，若类别输出为真，函数值为1，若为假，函数值为0，λL(w)是正则化项，λ是正则化系数，使用正则化可抑制模型的过拟合问题；

步骤3.4：检查训练后的网络是否满足条件，若满足训练条件，CNNs网络训练结束；若未满足条件，则继续下一步；

步骤3.5：更新CNNs网络阈值和偏置，损失函数的偏导数可表示为：(l) (l+1) (l)

其中，a 是CNNs网络第l层的输出，δ 是第l+1层输出误差，w 是第l层网络的阈值，(l)b 是第l层网络的偏置，J(w,b)是损失函数；设置学习率后更新阈值和偏置：是更新后的阈值， 是更新后的偏置；

步骤4：提取待测图像特征，将待测样本图像输入到已经训练完成的CNNs模型中，提取能够去除SAR图像平移敏感性和姿态敏感性的图像特征；

步骤5：计算图像特征的相似度权重，根据训练图像样本类别，计算CNNs网络模型输出特征与样本类别的相似度权重；

步骤5中计算特征相似度权重如下：

其中，Mj(C)代表的是C类样本特征集的第j个最近邻样本特征；p(C)表示第C类样本特征的概率；Class(R)表示样本R所属的类别；diff(A,R1,R2)表示样本R1和样本R2在特征A上的差，其计算公式为：步骤6：通过计算被测样本各个特征与训练样本各个特征之间的距离，得到各个特征的分类结果，并结合相似度权重输出分类结果；

步骤6中分类结果计算如下：

各个特征输出类别的后验概率结合相似度权重后，组合成后验概率矩阵P(A)：n为路面目标的类别种类，m为提取特征的维数，对于矩阵元素pij(A)，表示第i个特征对于未知类别路面目标属于第j类的概率；

最后取后验概率矩阵的矩阵元素pij(A)第i行中最大值所在的列序号作为未知类别路面目标的类别，即：