1.一种像素级统计描述学习的SAR图像分类方法，其特征在于，包括：S1、将目标SAR图像输入SAR图像分类模型；

S2、SAR图像分类模型中的判别子网络提取目标SAR图像的像素级统计描述特征zps；步骤S2包括：S201、基于下式提取目标SAR图像的像素值均值μx和像素值标准差σx：式中，xi表示目标SAR图像的第i个像素点的像素值，n表示目标SAR图像的像素点个数；

S202、基于下式对μx和σx进行尺度和平移变换得到对应的特征zμ和zσ：zμ＝wμμx+bμ

zσ＝wσσx+bσ

式中，zμ∈V，zσ∈V，V为高维映射空间；wμ和bμ分别表示μx对应的尺度和平移变换向量，T Twμ＝[wμ1,wμ2,...,wμD] ，bμ＝[bμ1,bμ2,...,bμD] ，bμd和wμd分别表示μx的第d个值对应的尺度和平移变换参数，d＝1,2,…,D，D表示μx的最大维度；wσ和bσ分别表示σx对应的尺度和平移T T变换参数，wσ＝[wσ1,wσ2,...,wσD]，bσ＝[bσ1,bσ2,...,bσD]，bσd和wσd分别表示σx的第d个值对应的尺度和平移变换参数；

S203、基于下式对zμ和zσ进行自适应优化与非线性处理，生成像素级统计描述特征zps：式中， ReLU(·)为修正线性激活单元函数， 和 分别表示zps对应的权值矩阵和偏置矢量， 表示M维线性空间， 表示M×2D维线性空间；

S3、SAR图像分类模型中的模式子网络提取目标SAR图像的结构模式描述特征zpa；模式子网络包括4个激活函数均为ReLU函数的卷积层，第k个卷积层的处理公式为：zk＝H(Wkzk‑1+bk)

式中，zk表示第k个卷积层的输出，k＝1,2,3,4，z0为目标SAR图像，H(·)表示ReLU激活映射和池化函数的复合函数，Wk和bk分别表示zk对应的权值矩阵和偏置矢量，zpa为结构模式描述特征；

S4、SAR图像分类模型中的融合模块将像素级统计描述特征zps和结构模式描述特征zpa融合得到目标SAR图像的图像描述特征z；

S5、SAR图像分类模型中的Softmax层基于图像描述特征生成目标SAR图像的分类结果。

2.如权利要求1所述的像素级统计描述学习的SAR图像分类方法，其特征在于，步骤S4中，基于下式将像素级统计描述特征zps和结构模式描述特征zpa融合得到目标SAR图像的图像描述特征z：z＝ReLU(Wpszps+Wpazpa)

式中，ReLU(·)为修正线性激活单元函数，Wps和Wpa分别为zps和zpa对应的权值矩阵。

3.如权利要求1所述的像素级统计描述学习的SAR图像分类方法，其特征在于，还包括：S6、在每次SAR图像分类模型训练结束后，利用随机梯度下降算法对SAR图像分类模型的参数进行优化，优化目标为找到最小的平均损失函数。

4.如权利要求3所述的像素级统计描述学习的SAR图像分类方法，其特征在于，步骤S6中，基于下式进行模式子网络的参数优化：

式中，Xn'表示第n'个样本，yn'和 分别为Xn'的真实标签和估计标签， 为损失函数，式中，<·>和ln(·)分别表示内积和对数运算，Yn'表示真实标签yn'基于One‑Hot编码的标签矢量，an'表示Xn'经Softmax层后的输出矢量，Softmax层的第j个输出为 为：式中，zj为Softmax层的第j个输入，M表示Softmax层的输入个数；

模式子网络中第k层卷积的权重参数的更新公式如下：式中， 表示第i+1次优化后的第k层卷积的权重参数， 表示第i次优化后的第k层卷积的权重参数， 为损失函数相对于第k层卷积的权重参数的梯度，M表示训练样本的个数，η表示学习率。