1.基于脉冲神经网络的合成孔径图像分类方法，其特征在于，包括：步骤1：使用深度卷积神经网络对合成孔径雷达图像进行预训练，保存训练好的权重参数；

步骤2：对合成孔径声呐图像进行显著性计算，将显著性计算结果输入至脉冲编码器中进行脉冲编码；

步骤3：将预训练的深度卷积神经网络权重参数迁移到多层脉冲神经网络作为初始权重参数，使用集成学习的方法对多层脉冲神经网络进行训练；

步骤4：将脉冲编码器的输出结果作为训练好的多层脉冲神经网络的输入，采用脉冲解码器对多层脉冲神经网络的输出结果进行解码以判别最终分类结果。

2.根据权利要求1所述的合成孔径图像分类方法，其特征在于，所述步骤1中的深度卷积神经网络具体为：包括深度卷积神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层，神经元参数的偏置设置为0，激活函数设置为ReLU激活函数，池化层设置为平均池化层。

3.根据权利要求1所述的合成孔径图像分类方法，其特征在于，所述步骤2中的脉冲编码具体为：将输入的图像数据编码为发放次数分布符合泊松过程的脉冲序列。

4.根据权利要求1所述的合成孔径图像分类方法，其特征在于，所述步骤3中的多层脉冲神经网络由LIF神经元组成，所述多层脉冲神经网络包括输入层、卷积层、激活层、池化层和全连接层。

5.根据权利要求4所述的合成孔径图像分类方法，其特征在于，所述LIF神经元具有神经元膜电位的泄漏、积累以及阈值激发三个特征，所述LIF神经元泄漏、积累以及阈值激发过程具体为：

其中，Vmem为后神经元膜电位，τm为膜电位衰减的时间常数，Vrest为静息电位，Rm为细胞膜的阻抗，I(t)表示输入电流，为每个时间步的前神经元脉冲的加权总和。

6.根据权利要求5所述的合成孔径图像分类方法，其特征在于，所述卷积层在每个时间步中，每个LIF神经元对输入的脉冲与卷积核进行卷积操作以计算其输入电流，并将其整合到膜电位中，若膜电位超过卷积阈值，LIF神经元产生脉冲并复位膜电位，否则膜电位发生衰减。

7.根据权利要求6所述的合成孔径图像分类方法，其特征在于，所述卷积层采用下述公式计算其输入电流：

l

其中， 表示在时间t内l层累积到l+1层神经元j膜电位的总电流流入，n表示l层神经元的总数量， 表示l层神经元i到l+1层神经元j的连接突触权重， 表示l层神经元i在时间t内的脉冲之和。

8.根据权利要求5所述的合成孔径图像分类方法，其特征在于，所述池化层在每个时间步中，每个LIF神经元对输入的脉冲进行平均卷积操作以计算其输入电流，并将其整合到膜电位中，若膜电位超过卷积阈值，LIF神经元产生脉冲并复位膜电位。

9.根据权利要求8所述的合成孔径图像分类方法，其特征在于，所述池化层采用下述公式计算其输入电流：

其中， 表示在时间t内l层累积到l+1层神经元j膜电位的总电流流入， 表示l层神经元i在时间t内的脉冲之和。

10.根据权利要求1所述的合成孔径图像分类方法，其特征在于，所述步骤4中解码器的神经元数量与需要分类的类别数量相同；

步骤4具体包括：解码器将多层脉冲神经网络提取到的一维向量特征累加进行最终分类，所述累加是指每个时间步输出脉冲与对应输出层的权重相乘后的求和。