1.一种基于时频域深度网络的海面小目标特征检测方法，其特征在于，包括以下步骤：(1)雷达在一个距离单元接收到连续N个脉冲，构成一个观测向量z＝[z(1),z(2),...,T

z(N)]，构成待检测单元，然后获取待检测单元周围P个观测向量，zp,p＝1,2,...,P；建立三元假设检验问题H0、H1+、H1‑，精细化目标落在海杂波带内外的不同特性；

(2)将观测向量z和zp,p＝1,2,...,P，转换到二维时频域中，通过计算平滑伪魏格纳‑维尔分布SPWVD，获得二维时频图TFG(z)和TFG(zp),p＝1,2,...,P；

(3)对二维时频图TFG(z)进行归一化处理，获得归一化时频图NTFG(z)(4)构建深度网络模型，提取属于三类假设的概率值作为特征值，记为p0，p1，p2且满足p0+p1+p2＝1；

T

(5)构建一个2D特征向量ξ＝[p1,p2] ,p1,p2∈[0,1]，作为最终的检验统计量ξ；

(6)在给定虚警率Pfa下，结合三次样条曲线算法，不断迭代和优化边界区域，确定虚警可控的判决区域Ω；

(7)计算检验统计量ξ是否在判决区域Ω内，判断出观测向量z中是否存在目标，如果则表明观测向量z中有目标；如果ξ∈Ω，则表明观测向量z中没有目标。

2.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，步骤(1)所述的三元假设检验问题为：其中，c表示海杂波向量，cp表示第p个参考单元为海杂波向量，s表示目标回波向量，fd表示目标的多普勒偏移，H0假设表示只有海杂波，H1+假设表示具有正多普勒偏移的含目标观测向量，H1‑假设表示具有负多普勒偏移的含目标观测向量。

3.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，所述步骤(2)通过以下公式实现：其中，n＝1，2，…，N表示时间维，l＝1，2，…，N表示频率维，g和h分别是时间和频率的平滑窗，Δfd为归一化多普勒频率的采样间隔。

4.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，步骤(4)所述的深度网络模型包括Stem模块、Reduction‑A以及Reduction‑B两个网格缩减模块，5个Inception‑resnet‑A模块、10个Inception‑resnet‑B模块、5个Inception‑resnet‑C模块、平均池化模块、Dropout模块以及Softmax模块。

5.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，所述步骤(6)包括以下步骤：(61)按照步骤(5)获得3Q个2D特征向量，即H0假设下Q个特征向量 H1+假设下Q个特征向量 H1‑假设下Q个特征向量 分别计算H1+假设和H1‑假设下的类别中心：(62)在H0假设下，计算Q个特征向量离 的最短距离：其中，||·||2表示计算向量的模，min表示取最小值，从小到大进行排序获得虚警特征向量集合为 []表示取整数；

判决区域Ω只包含以下特征向量：

(63)根据p2值，将样本集Ω0划分到M个等宽区间中，其中，第i个区间记为：将各个区间最值点作为样条控制点，若区间无样本则不设置控制点；

(64)对所有区间的样条控制点按p2值升序排列，从最小值开始进行滑窗分组，窗长为4；

每组中，4个点的p2和p1分别对应x和y值，采用三次多项式拟合：

3 2

y＝a3x+a2x+a1x+a0其中，a3,a2,a1,a0为拟合参数，选择每组最大值点作为分段函数起始点，对所有组数据进行拟合后，得到完整的样条曲线，作为初始边界；

(65)将H0假设下Q个特征向量代入(64)中初始边界验证，保证只有虚警点在判决区域外面，若存在某个特征向量分类错误，微调所在分段的样条控制点，迭代更新边界，获得临时边界；

(66)通过减小全部样条控制点拟合时y维度数值，实现样条边界内部收缩，不断迭代优化(65)中的临时边界，直到边界发生错误时停止收缩，获得最终边界，即虚警可控的判决区域Ω。