1.一种特征级统计描述学习的SAR图像分类方法，其特征在于，包括：S1、将目标SAR图像输入SAR图像分类网络；

S2、SAR图像分类网络中的卷积层提取目标SAR图像的具有中层语义的特征基元；

S3、SAR图像分类网络中的特征统计层基于具有中层语义的特征基元提取目标SAR图像的统计基元矢量；步骤S3中，基于下式提取目标SAR图像的统计基元矢量s：

2 T

s＝[μ,σ]

式中， 和 分别表示对应特征通道的一阶和二阶统计T

基元矢量；(·) 表示转置变换； 和 分别表示z'j对应的均值和方差，j＝1,2，…C，具有中层语义的特征基元的特征图记为 H、W以及C分别表示Z的高、宽以及通道个T

数,zj＝[z1,z2,…,zm]为Z第j个特征通道的矢量化表示形式，S4、SAR图像分类网络中的非线性及线性变换层基于统计基元矢量生成目标SAR图像的特征级统计描述矢量；步骤S4中，基于下式生成目标SAR图像的特征级统计描述矢量h：h＝ReLU(Ws+B)

式中， 和 分别表示用于高维特征映射的权值矩阵和偏置矢量，P＞2C；

S5、SAR图像分类网络中的Softmax层基于特征级统计描述矢量生成目标SAR图像的分类结果。

2.如权利要求1所述的特征级统计描述学习的SAR图像分类方法，其特征在于，步骤S2中，基于下式提取目标SAR图像的具有中层语义的特征基元z：式中， 表示包含ReLU和最大池化的复合函数，w和b分别表示卷积层的权值矢量向量T

和偏置项，x表示卷积层的输入；(·) 表示转置变换。

3.如权利要求1所述的特征级统计描述学习的SAR图像分类方法，其特征在于，基于下式对SAR图像分类网络进行优化：式中，wk和bk表示第k层卷积层的权值矩阵和偏置矢量，yn表示第n个样本Xn的标签， 表示第n个样本Xn的预测标签，N表示样本总数， 表示交叉熵损失函数， Yn表示标签yn基于One‑Hot编码的矢量，an表示Softmax层的输出矢量。