1.一种基于融合多层级模糊聚类软决策结果的SAR目标检测方法，其特征在于，包括以下步骤：

步骤1，利用SAR成像方法获取需进行目标检测的图像；

步骤2，利用简单线性迭代聚类算法进行超像素分割，得到L个超像素及超像素包含的像素信息；

步骤3，计算自适应的距离参数d，遍历L个超像素，将正在遍历的超像素定义为测试超像素，将测试超像素距离为d的超像素定义为对比超像素；然后计算测试超像素和每个对比超像素之间的Wasserstein距离，并取所有Wasserstein距离的中位数作为测试超像素的特征，遍历完成得到L个超像素特征；

步骤4，以L个超像素特征为样本数据对超像素进行类别为2的模糊C均值聚类，得到超像素概率矩阵U2×L；

步骤5，利用超像素概率矩阵U2×L，将超像素概率矩阵U2×L确定地分为超像素目标概率行向量U1×L和超像素杂波概率行向量U′1×L；

步骤6，利用超像素包含的像素信息以及超像素杂波概率行向量U′1×L，得到当前层的像素杂波概率矩阵Q；

(l‑1)

步骤7，利用上一层融合后的像素杂波概率矩阵P 和当前层的像素杂波概率矩阵Q，(l)

计算得到当前层融合后的像素杂波概率矩阵P ；

步骤8，以步长Ssrep增加超像素大小，重复步骤2、3、4、5、6、7，直到增加后的超像素大小大于最高层级的超像素大小；

步骤9，利用最高层级融合后的像素杂波概率矩阵，得到像素目标概率矩阵，比较每个像素的两种类别概率的大小，选取概率较大的类别作为像素的最终类别，最终得到目标检测结果。

2.如权利要求1所述的方法，其特征在于，所述步骤3中的计算自适应的距离参数d的方法如下：

自适应的距离参数d的计算公式如下：d＝ρ·Scur

其中，

其中，ρ为距离系数，Scur为当前层级的超像素大小，τ为总层数，Smax为最高层级的超像素大小，Smin为最低层级的超像素大小。

3.如权利要求1所述的方法，其特征在于，所述步骤5中的确定超像素目标概率行向量U1×L和超像素杂波概率行向量U′1×L的过程如下：超像素概率矩阵U2×L中的数据意义为L个超像素分别属于两个类的概率，其中，两个类分别为目标类和杂波类，超像素属于两个类的概率之和为1；

首先可根据超像素属于两个类的概率大小，令概率大的类作为超像素的类别，即可将所有超像素显式分为两类；然后根据SAR图像中目标占据区域远少于杂波占据区域，确定超像素个数较少的一类为目标类，个数较多的为杂波类。最后就可确定超像素概率矩阵U2×L中概率的类别，同时将超像素概率矩阵U2×L分为超像素目标概率行向量U1×L和超像素杂波概率行向量U′1×L。

4.如权利要求1所述的方法，其特征在于，所述步骤7中所述的计算当前层融合后的像(l)

素杂波概率矩阵P 的方法如下：(l) (l)

当前层融合后的像素杂波概率矩阵P 的每一个像素的杂波概率pij 的计算公式如下：

(l) (l‑1)

pij ＝pij qij+σij其中，

(l‑1) (l‑1)

σij＝ω(pij (1‑qij)+qij(1‑pij ))(l) (l‑1)

式中，pij 为当前层融合后像素的杂波概率，pij 为上一层融合后的像素的杂波概率，qij为当前层像素的杂波概率，σij为补充杂波概率，ω为杂波确定系数，N为SAR图像的像(l‑1)

素个数，r为SAR图像的像素行数，t为SAR图像的像素列数，P 为上一层融合后的像素杂波概率矩阵。