1.基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：采用卷积神经网络提取表征舰船目标的高层级深度特征，同时基于扩展的Haar-like特征模板提取舰船目标的边缘纹理低层级特征。构建多层级深度学习网络，利用多层级深度学习网络将提取的舰船目标高层级深度特征和Haar-like特征模板提取低层级边缘纹理特征进行最优化融合，实现SAR图像舰船目标特征的全面、有效表达。对SVM分类器进行学习训练得到最优分类器，最终对待鉴别舰船目标进行鉴别，得到最终的鉴别结果。具体包括以下步骤：(1)、低层级边缘纹理特征提取：精细构造舰船目标-海杂波有监督SAR图像样本，采用扩展的Haar-like特征模板对有监督SAR图像样本进行特征提取，生成表征舰船目标的N维Haar-like目标边缘纹理特征，即N维低层级Haar-like特征；然后采用Adaboost分类器对提取出的N维低层级Haar-like特征进行降维，将N维低层级Haar-like特征的维数降低至m；

(2)、高层级深度特征提取：采用AlexNet架构实现的卷积神经网络，对有监督SAR图像样本进行特征提取，生成表征舰船目标的n维高层级深度特征；

(3)、舰船目标多层级特征学习与最优化融合：利用多层级深度学习网络，将步骤(1)降维后的m维低层级Haar-like特征与步骤(2)提取的n维高层级深度特征，在多层级深度学习网络中的全连接层进行最优化特征融合，得到最优化融合的目标多层级特征和多层级特征权重系数，该多层级特征权重系数下获得的舰船目标鉴别精度最高，然后通过学习训练得到最优的SVM分类器；

(4)、基于多层级特征深度融合的目标鉴别：采用步骤(3)学习训练得到的目标多层级特征和多层级特征权重系数，对输入的待鉴别的SAR图像样本切片进行多层级特征提取及最优化特征融合，然后输入到步骤(3)学习训练得到的最优的SVM分类器，得到最终的舰船目标鉴别结果。

2.根据权利要求1所述的基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：步骤(1)中，首先利用扩展的Haar-like特征模板，对有监督SAR图像样本进行特征提取，生成有效表征舰船目标边缘纹理所对应的N维低层级Haar-like特征。在Adaboost分类器中通过Adaboost训练算法设置m个弱分类器，将N维低层级Haar-like特征降维至m维，其中弱分类器gn(·)定义为：gn(xj)＝fk＞θk    (1)

公式(1)中：xj表示第j个图像的N维特征向量，xj＝[f1，f2，…，fN]，θk对应于单一特征的阈值，fk为特征向量xj中的第k个特征。

通过改变弱分类器的权重，训练出分类错误率最低的强分类器，训练过程如下：

公式(2)-(4)中：i代表第i次训练过程；L表示一共有L个样本；yj表示第j个输入图像的标签，对于舰船目标yj＝1，对于杂波目标yj＝0；gi表示i次训练中选取的分类错误率最低的弱分类器；ri表示第i次训练中的错误率；αi代表第i个弱分类器在组成强分类器中的权重；

其中gn(xj)表示任意一个弱分类器，而gi(xj)表示第i次训练中分类错误率最低的弱分类器；Di(j)为第j个样本在第i次训练中的权重，初始化为：Di(j)的更新训练通过如下公式：

训练完成后将N维特征向量[f1，f2，…，fN]，锐减到m维的特征向量[h1，h2，…，hm]，其中：公式(7)中αi代表第i个弱分类器在组成强分类器中的权重；gi(xj)表示第i次训练中分类错误率最低的弱分类器。

最终提取得到的m维的特征向量[h1，h2，…，hm]，作为低层级Haar-like特征。

3.根据权利要求1所述的基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：步骤(2)中，基于AlexNet架构实现典型低复杂度的卷积神经网络，卷积神经网络中激活函数采用Relu函数来增强网络的表征能力，并且使用Batch Normalization操作来加速网络的训练，其中激活函数Relu函数定义为：f(o)＝max(0,o)    (8)

公式(8)中，o表示神经网络卷积层后输出。

卷积神经网络全连接层链接了卷积层经过迭代提取到的抽象特征[d1，d2，…，dn]，以此特征作为卷积神经网络提取到的高级抽象特征，最终卷积神经网络提取到的高级特征即为全连接层的特征向量[d1，d2，…，dn]。

4.根据权利要求1所述的基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：步骤(3)中多层级深度学习网络的融合及学习训练过程如下：根据步骤(1)降维后得到的m维Haar-like特征向量[h1，h2，…，hm]以及步骤(2)得到的特征向量[d1，d2，…，dn]，将两者以权重γ进行特征融合；设定权重γ取值在0-1之间，以分类误差最低为目标，在步骤(1)构建的舰船目标-海杂波有监督SAR图像样本集上学习权重γ参数及SVM分类器，得到分类误差最低的权重γ参数最优化取值，并最终生成多层级最优化融合特征向量

5.根据权利要求1所述的基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：步骤(4)中，通过步骤(1)至步骤(3)对待鉴别的SAR图像样本进行多层级特征提取及最优化融合，得到有效表征待鉴别SAR图像的多层级最优化融合特征向量 将多层级最优化融合特征向量 输入到训练好的SVM分类器，实现待鉴别SAR图像的目标分类，得到最终的舰船目标鉴别结果。

6.根据权利要求1所述的基于多层级特征深度融合的SAR图像舰船目标鉴别方法，其特征在于：SVM分类器以径向基函数核RBF作为核函数，其中径向基函数核RBF定义为：K(u,v)＝exp(-λ‖u-v‖2),λ>0,    (9)。

公式(9)中的u，v表示待映射的特征向量。