1.基于时频图深度学习的海面小目标检测方法，包括以下步骤：

(1)雷达接收M个距离单元的N个脉冲的二维数据矩阵，记为R(n,m),n＝1,2,...,N；m＝

1,2,...,M；其中，n表示脉冲维，m表示距离维，N表示脉冲数目，M表示距离单元数目；对第mT个距离单元的回波向量zm＝[R(1,m),R(2,m),...,R(N,m)]进行检测，即待检测单元；待检测单元周围K个参考距离单元的回波向量zm,k,k＝1,2,...,K,K＜M；判断待检测单元是否含有目标回波，将回波向量转换为二个分类H0和H1，H0假设表示海杂波，H1假设表示含目标回波；

(2)计算步骤(1)中回波向量zm的二维平滑伪魏格纳‑维尔分布SPWVD，获得zm的二维时频图；

(3)海杂波的SPWVD是一个随机过程，其低阶统计特性可用均值函数μ(n,l)和标准差函数σ(n,l)表示；从K个参考距离单元内获取低阶统计特性的估计值，对步骤(2)中的二维时频图进行白化预处理，得到预处理后的时频图，实现海杂波抑制；

(4)当步骤(1)中雷达开机后，可获得大量的海杂波数据；将大量海杂波数据和含目标回波仿真数据作为训练数据，优化基于Inception V3的迁移学习分类器；检测时，将步骤(3)中的二维时频图作为迁移学习分类器的输入，获取输出值；步骤(4)具体包括，T

4.1)从雷达数据中获得I个距离单元的海杂波向量ci＝[ci(1),ci(2),...,ci(N)] ,i＝

1,2,...,I，任意一个海杂波向量含有N个脉冲,并且满足I≥[100/Pfa]，其中，Pfa为虚警率，[]表示取最大整数；

4.2)I个距离单元中任一距离单元的海杂波向量为c(n)，该距离单元的含目标回波向量通过下式计算：其中，SCR为信杂比，λ是雷达波长，Tr是雷达的脉冲重复周期， 是初始相位，v0和v1是目标的起始径向速度和末端径向速度，在区间(‑5,5)m/s内均匀产生；

4.3)构建两类数据的训练数据和标签，第一类数据是步骤4.1)中的I个距离单元的海杂波向量，标签为“0”；第二类数据是按照步骤4.2获得I个距离单元的含目标回波向量，标签为“1”；

4.4)根据步骤4.3中的训练数据和标签，实现基于InceptionV3的迁移学习分类器的参数训练，借助InceptionV3深度网络，迁移学习分类器能够提取时频图的多尺度特征；同时，辅助以微调训练用于增加卷积层，降低学习效率；

4.5)根据步骤4.4中获得的迁移学习分类器，将步骤3)中预处理后的二维时频图作为迁移学习分类器的输入，获得迁移学习分类器的输出值，即两类概率：属于H0假设的概率为p0,和属于H1假设的概率为p1；

T

(5)将步骤(4)中迁移学习分类器的输出值作为统计量，记为ξ＝[p0,p1] ，p0表述属于H0假设的概率，p1表示属于H1假设的概率；

(6)在虚警率Pfa下，通过蒙特卡洛试验方法获取H0假设下判决区域Ω；

(7)计算统计量ξ和判决区域Ω的位置，判决步骤(1)中回波向量zm中是否存在目标：如果 则表明回波向量zm含有目标回波，属于H1假设；

如果ξ∈Ω，则表明回波向量zm无目标回波，属于H0假设。

2.根据权利要求1所述基于时频图深度学习的海面小目标检测方法，步骤(2)中，zm的二维时频图SPWVD，通过以下公式计算：其中，n表示时间维，l表示频率维，Δfd为归一化多普勒频率的采样间隔，Q和q分别表示时间维采样数目和相应的变量，P和p分别表示频率维采样数目和相应的变量，g(q)和h(p)分别是时间维和频率维的平滑窗。

3.根据权利要求2所述基于时频图深度学习的海面小目标检测方法，步骤(3)中，白化预处理通过下式计算：其中， 表示预处理后的时频图； 和 表示K个参考距离单元的

回波向量的均值函数的估计值和标准差的估计值。