1.一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，该方法包括：获取待重构的SAR图像，对SAR图像进行预处理；将预处理后的图像输入到训练好的神经网络中，得到重构后的SAR图；所述神经网络包括编码器、解码器、判别器和分类器；

对神经网络进行训练的过程包括：

S1：获取原始图像数据集，该数据集中的图像为真实图像，对原始图像数据进行预处理；

S2：初始化模型的参数，初始化的模型参数包括中间层参数、学习率和训练批次；

S3：将预处理后的真实图像分别输入到神经网络的两个编码器中，得到两个卷积结果，将两个结果分别作为输入图像的均值和方差；根据中间层参数、输入图像的均值和方差得到输入图像的中间层分布；

S4：在中间层分布上进行随机取值，并采用解码器对选取的值进行解码，得到重构图像；

S5：将重构图像输入到分类器中，得到重构图像中目标的类别；

S6：将重构图像和输入到神经网络的图像输入到判别器中判断重构图像的真假，若图像为真，则该图像为重建的高保真SAR图像，若为假重建图像不为真，则将分类的图像返回步骤S3，重建图像失败；

S7：根据重建的高保真SAR图像计算模型的损失函数，不断调整模型的参数，当满足模型训练条件时，模型训练完成；所述模型训练条件包括达到模型的最大训练批次或者损失函数值最小。

2.根据权利要求1所述的一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，对SAR图像进行预处理的过程包括：对SAR图像进行格式转换，对转换格式后的图像进行裁剪，使得裁剪后的图像中只保留一个目标。

3.根据权利要求1所述的一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，采用编码器对图像进行处理的过程包括：编码器由卷积层、BN层和ReLU激活层组成；将输入图片转换为tensor，并向转化后的图片添加标签信息后输入到编码器中，图像每经历一个卷积层，图像大小缩小为输入图像的1/2，重复三次；将卷积后的图像输入到全连接层，得到输出结果。

4.根据权利要求1所述的一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，解码器的解码过程包括：解码器由三个反卷积层构成，其中第一反卷积层和第二反卷积层后分别连接一个ReLU激活函数，第三反卷积层连接一个Sigmoid激活函数；对中间层分布上进行取值，输入解码器中，经过三次反卷积操作，最终生成与原图大小相等的图像。

5.根据权利要求1所述的一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，判别器判断重构图像的真假的过程包括：将重构图像和输入到神经网络的图像输入判别器中，经过卷积、池化和激活操作后输出其为真实样本的概率，对于真实样本，输出结果为1，对于生成样本，输出结果为0；计算真实样本概率的公式为：其中，D表示判别器，G表示生成器，m表示批次大小，x表示真实样本，z表示从中间层采样的特征。

6.根据权利要求1所述的一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，模型的损失函数包括编码器的损失函数、解码器的损失函数、分类器的损失函数以及判别器的损失函数。

7.根据权利要求6所述的一种用于目标检测的无人机载高保真SAR图像重建方法，其特征在于，损失函数的表达式为：Ltotal＝αLkl+βLrec+Ldis+LC

(i) (i)

Lkl＝KL(qφ(z|x )||pθ(z|x ))

(i)

其中，α和β为所对应网络的权重，Lkl表示编码器的损失函数，pθ(z|x )为真实图像后(i) (i)验概率，qφ(z|x )表示近似后验分布，z表示中间层分布，x 表示真实样本，Lrec表示解码器的损失函数， 表示重建图像的概率，表示生成图像，Ldis表示判别器的损失函数，表示生成图像 服从生成图像的Pg分布，x～Pr表示真实图像x服从真实图像的Pr分布，表示将生成图像判断为真实图像的概率的期望， 表示将生成图像判断为真实图像的概率， 表示将真实样本判断为真实的概率的期望，D(x)表示将真实样本判断为真实的概率，LC表示分类器的损失函数，P(c|x)表示分类为c的概率，c表示类别。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至7中任一项用于目标检测的无人机载高保真SAR图像重建方法。

9.一种用于目标检测的无人机载高保真SAR图像重建装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种用于目标检测的无人机载高保真SAR图像重建装置执行权利要求1至7中任一项用于目标检测的无人机载高保真SAR图像重建方法。