1.一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，包括以下步骤：(1)获取待检测单元周围P个参考单元的参考单元观测矩阵Zp,p＝1,2,...,P，其中，待检测单元分别接收到四种极化下的N个连续脉冲，构成一个CUT观测矩阵Z＝[zHH,zHV,zVH,zVV]，zHH,zHV,zVH,zVV分别表示HH、HV、VH、VV极化下的观测向量，维度为N；

(2)将CUT观测矩阵和参考单元观测矩阵转换到频域、时频域、极化域；

(3)分别从时域、频域、时频域、极化域中提取待检测单元的特征，记总特征数目为D；

(4)将每个特征作为一个维度，构建D维特征空间。然后，将步骤(3)中的D个特征转换为T一个待检测单元的特征向量ξ＝[ξ1,ξ2,…,ξD]；

(5)将步骤(4)中待检测单元的特征向量作为输入，进入到具有最优模型参数的1D‑Lenet网络中，获取输入属于H1假设的概率值β，H1假设表示待检测单元中含有目标回波，其中，1D‑Lenet网络的最优模型参数是根据纯杂波和仿真含目标回波，按步骤(2)到步骤(4)提取特征向量样本，作为训练集，在1D‑Lenet网络基础上，基于训练集进行优化1D‑Lenet网络的模型参数，获得最优模型参数；

(6)将步骤(5)中的概率值β，作为最终的检验统计量

(7)将训练集的H0假设下的样本作为最优模型参数的1D‑Lenet网络的输入，获得M输入属于H1假设的概率β1,β2,β3,....,βM，H0假设表示待检测单元中只含有海杂波；根据设定的虚警率Pfa，获得相应地判决门限γ；根据检验统计量 与判决门限γ的关系，判断出待检测单元中是否存在目标：如果 则表明待检测单元中含有目标回波，如果 则表明待检测单元中不含有目标回波。

2.根据权利要求1所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，其中，H0假设和H1假设的式为：HH HV VH VV HH HV VH VV

其中，c ,c ,c ,c 分别表示HH、HV、VH、VV极化下的海杂波向量，s ,s ,s ,s 分别表示四种极化下的目标回波向量， 分别表示四种极化下的第p个的参考单元的杂波向量，参考单元为纯杂波数据，用于为待检测单元提供海杂波信息。

3.根据权利要求2所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，所述步骤(2)中，对待检测单元参考单元的观测矩阵中的每一列数据，分别计算频域幅度谱AS，公式为：其中，z表示N维的回波向量，f表示频率变量，fr表示雷达脉冲重复频率，|·|表示取幅度，n表示时间维，z(n)表示第n个时间点回波的幅度；

对待检测单元参考单元的观测矩阵中的每一列数据，分别计算回波向量z的二维时频图SPWVD，公式如下：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，J和j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。

4.根据权利要求3所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，所述步骤(3)中，在时域特征提取中，Hurst指数计算公式如下：其中，k和b表示拟合直线的斜率和截距。m表示序列间隔，n表示时间维，z(n)表示第n个时间点回波的幅度。

相对平均振幅RAA计算公式为：

5.根据权利要求4所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，所述步骤(3)中，在频域特征提取中，相对多普勒峰高RDPH的计算公式为：其中，DPH代表多普勒峰高位置，Peak代表多普勒峰的最大值， 代表多普勒峰在多普勒谱中的位置，符号#Δ表示落入数集Δ的总数，Δ代表多普勒峰周围的多普勒间隔；

相对向量熵 的计算公式为：

ξ4表示相对向量熵RVE， 表示归一化频域幅度谱， 表示参考单元归一化频域幅度谱，P为参考单元的总数，p表示第p个参考单元。

6.根据权利要求5所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，在频域特征提取中，脊能量RI计算公式如下：在时频图每个时间尺度上，取前5个亮像素值标记为1剩余像素标记为0，生成二值图，在二值图上，获取连通区域Ω1,Ω2,...,Ωw，连通区域个数CR和最大连通区域尺寸MS分别由以下公式得出：CR(z)＝W

其中，W表示连通区域的个数，#Ωw表示取第w个连通区域的非0元素，W表示连通区域的数量。

7.根据权利要求6所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，极化域特征提取中，对CUT观测矩阵Z的每个极化的向量，提取Hurst指数和RAA，即：HH HV VH VV

ξ1＝Hurst(z ),ξ2＝Hurst(z ),ξ3＝Hurst(z ),ξ4＝Hurst(z )HH HV VH VV

ξ5＝RAA(z ),ξ6＝RAA(z ),ξ7＝RAA(z ),ξ8＝RAA(z )对CUT观测矩阵Z的每个极化的向量，提取RDPH和RVE，即：HH HV VH VV

ξ9＝RDPH(z ),ξ10＝RDPH(z ),ξ11＝RDPH(z ),ξ12＝RDPH(z )HH HV VH VV

ξ13＝RVE(z ),ξ14＝RVE(z ),ξ15＝RVE(z ),ξ16＝RVE(z )对CUT观测矩阵Z的每个极化的向量，提取RI、CR和MS，即：HH HV VH VV

ξ17＝RI(z ),ξ18＝RI(z ),ξ19＝RI(z ),ξ20＝RI(z )HH HV VH VV

ξ21＝CR(z ),ξ22＝CR(z ),ξ23＝CR(z ),ξ24＝CR(z )HH HV VH VV

ξ25＝MS(z ),ξ26＝MS(z ),ξ27＝MS(z ),ξ28＝MS(z )。

8.根据权利要求7所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，在步骤(5)中，1D‑Lenet网络包括依次连接的C1卷积层、S2下采样层、C3卷积层、S4下采样层、C5卷积层、F6全连接层和最终输出Output层，C1卷积层、C3卷积层和C5卷积层为尺寸为3，步长为1的卷积核；最终输出Output层具有PRelu非线性激活函数；在C1卷积层与S2下采样层之间、C3卷积层与S4下采样层之间、C5卷积层与F6全连接层之间设有Dropout操作单元，1D‑Lenet网络训练中分批训练。

9.根据权利要求8所述的一种基于改进1D‑Lenet网络的海面小目标检测方法，其特征在于，H0假设和H1假设分别构建两类样本集Ω0和Ω1，构成训练集Ω＝Ω0∪Ω1，步骤(7)中，将训练集中H0假设下的M个样本，作为最优模型参数的1D‑Lenet网络的输入，获得M输入属于H1假设的概率β1,β2,β3,....,βM；

将统计量p1,p2,p3,....,pM按数值从大到小降序排列，即p1≥p2≥p3≥....≥pM，在虚警率Pfa下，判别门限其中，[x]表示对x四舍五入取整数。

10.一种基于改进1D‑Lenet网络的海面小目标检测装置，其特征在于，包括：第一获取模块，用于获取待检测单元周围P个参考单元的参考单元观测矩阵Zp,p＝1,

2,...,P，其中，待检测单元分别接收到四种极化下的N个连续脉冲，构成一个CUT观测矩阵Z＝[zHH,zHV,zVH,zVV]，zHH,zHV,zVH,zVV分别表示HH、HV、VH、VV极化下的观测向量，维度为N；

转换模块，用于将CUT观测矩阵和参考单元观测矩阵转换到频域、时频域、极化域；

特征提取模块，用于分别从时域、频域、时频域、极化域中提取待检测单元的特征，记总特征数目为D；

特征转换模块，用于将每个特征作为一个维度，构建D维特征空间，将特征提取模块中T提取的D个特征转换为一个待检测单元的特征向量ξ＝[ξ1,ξ2,…,ξD]；

第二获取模块，用于将特征转换模块转换后的待检测单元的特征向量ξ作为输入，进入到具有最优模型参数的1D‑Lenet网络中，获取输入属于H1假设的概率值β，H1假设表示待检测单元中含有目标回波，其中，1D‑Lenet网络的最优模型参数是根据纯杂波和仿真含目标回波，按步骤(2)到步骤(4)提取特征向量样本，作为训练集，在1D‑Lenet网络基础上，基于训练集进行优化1D‑Lenet网络的模型参数，获得最优模型参数；

赋值模块，用于将第二获取模块获取的概率值β，作为最终的检验统计量判断模块，用于将训练集的H0假设下的样本作为最优模型参数的1D‑Lenet网络的输入，获得M输入属于H1假设的概率β1,β2,β3,....,βM，H0假设表示待检测单元中只含有海杂波；根据设定的虚警率Pfa，获得相应地判决门限γ；根据检验统计量 与判决门限γ的关系，判断出待检测单元中是否存在目标：如果 则表明待检测单元中含有目标回波，如果 则表明待检测单元中不含有目标回波。