1.基于图多特征的海面小目标检测方法，其特征在于：包括以下步骤：步骤1，通过雷达发射机发射脉冲信号，并通过雷达接收机接收由海面反射回来的多脉冲信号，多脉冲信号经过匹配滤波后得到雷达回波数据，该回波数据分为纯杂波回波数据和包含目标的回波数据；

从纯杂波回波数据中选取P个距离单元作为训练单元，该训练单元时间序列zp为：zp＝[zp(1),zp(2),…,zp(N)]，其中，p＝1,2,…,P，P为训练单元数目，N为时间序列长度；将训练单元时间序列zp平均分成长度为L的短向量，即：zp＝[zp,1,zp,2,…,zp,l,…,zp,N/L]，其中，p＝1,2,…,P，zp,l表示训练单元时间序列的第l个短向量，l＝1,2,…,N/L；

从包含目标的回波数据中选取待检测单元r；

步骤2，对训练单元时间序列zp进行预处理，得到训练单元时间序列zp的归一化多普勒功率谱 即 其中，p＝1,2,…,P， 表示由训练单元时间序列zp的第l个短向量预处理得到的归一化多普勒功率谱；

步骤3，将训练单元时间序列zp的归一化多普勒功率谱 建模成图和图信号，其中训练单元时间序列zp的每个短序列zp,l的归一化多普勒功率谱 都能通过建模得到两个无向图和图上的信号，并计算得到三个图特征：图拉普拉斯正则η1(zp,l)、图拉普拉斯矩阵的迹η2(zp,l)、图顶点入度的方差η3(zp,l)，由这三个特征构造一个图三特征向量：T

η(zp,l)＝[η1(zp,l),η2(zp,l),η3(zp,l)]，T

其中，[·]表示对矩阵进行转置；将P个训练单元和每个训练单元的N/L个图三特征向量组成一个训练样本集合步骤4，根据训练样本集合 在三维特征空间中

获得一个三维凸包，并在给定的虚警概率Pf下，利用贪婪凸包学习算法计算检测器的决策区域Ω；

步骤5，对待检测单元r计算得到图拉普拉斯正则η1(r)、图拉普拉斯矩阵的迹η2(r)、图顶点入度的方差η3(r)这三种图特征，构造待检测单元的图三特征向量η(r)，即η(r)＝[η1T(r),η2(r),η3(r)]；

步骤6，根据检测器的决策区域Ω和待检测单元的图三特征向量η(r)，计算待检测单元的检测统计量 根据检测统计量 的大小判断目标是否存在：如果检测统计量 大于零，表明待检测单元的图三特征向量η(r)在检测器的决策区域外，待检测单元中存在目标，如果检测统计量 小于零，表明待检测单元的图三特征向量η(r)在检测器的决策区域内，待检测单元中不存在目标。

2.如权利要求1所述的基于图多特征的海面小目标检测方法，其特征在于，步骤2中对训练单元时间序列zp＝[zp,1,zp,2,…,zp,l,…,zp,N/L]进行预处理，具体子步骤为：

2.1计算每一个训练单元的短向量zp,l的多普勒功率谱

k＝‑[L/2],...,[L/2]‑1,

其中，Δf为多普勒频率采样间隔，Tr为脉冲重复间隔，L为FFT采样点数，exp()代表以e为底的指数函数，k表示多普勒单元；

2.2根据P个训练单元和每个训练单元的N/L个多普勒功率谱计算均值谱 和标准差谱其中，k＝‑[L/2],...,[L/2]‑1；

2.3根据均值谱 标准差谱 和每一个训练单元的短向量zp,l的多普勒功率谱计算每一个训练单元的短向量zp,l的归一化多普勒功率谱

3.如权利要求1所述的基于图多特征的海面小目标检测方法，其特征在于，步骤3中将训练单元时间序列zp的归一化多普勒功率谱 建模成图和图信号，其中，将训练单元时间序列zp的短序列zp,l的归一化多普勒功率谱 建模成两个无向图和图上的信号，计算得到三个图特征的具体子步骤为：

3.1对归一化多普勒功率谱 进行最大最小归一化：

k＝‑[L/2],...,[L/2]‑1,

其中，k＝‑[L/2],...,[L/2]‑1， 表示最大最小归一化后的第k个多普勒单元的能量数据，

3.2将 建模成无向图 定义多普勒单元{‑[L/2],...,[L/2]‑1}为无向图 的顶点，得到无向图 的顶点集 并认为每个顶点与相邻的d个顶点相连，相连顶点之间的权值为1，得到无向图 的邻接矩阵 和拉普拉斯矩阵 定义最大最小归一化后的第k个多普勒单元的能量数据为顶点vk的图信号xk，并将位于无向图 上的信号表示为

3.3根据量化间隔1/γ对 进行均匀量化：

其中，k＝‑[L/2],...,[L/2]‑1， 表示量化后的第k个多普勒单元的能量数据，i表示多普勒单元的能量数据的量化值，γ表示量化等级数；

3.4将 建模成无向图 定义量化值{0,…,i,…γ}为无向图 的顶点，得到无向图的顶点集 并定义每个多普勒单元中的量化值对应的顶点与其相邻多普勒单元中的量化值对应的顶点相连，并将两个顶点之间的相连次数定义为这两个顶点之间的权值，得到无向图 的邻接矩阵对无向图 的邻接矩阵 的每一行元素求和，得到无向图 的入度矩阵其中， 表示顶点vi的入度，计算得到无向图 的拉普拉斯矩阵

3.5根据无向图 的拉普拉斯矩阵 无向图 上的信号 无向图 的拉普拉斯矩阵 和无向图 的入度矩阵 计算得到三个图特征：图拉普拉斯正则η1(zp,l)、图拉普拉斯矩阵的迹η2(zp,l)、图顶点入度的方差η3(zp,l)：其中，Tr(·)表示求矩阵的迹；

3.6根据图拉普拉斯正则η1(zp,l)、图拉普拉斯矩阵的迹η2(zp,l)、图顶点入度的方差η3T(zp,l)，构造图三特征向量：η(zp,l)＝[η1(zp,l),η2(zp,l),η3(zp,l)]。

4.如权利要求1所述的基于图多特征的海面小目标检测方法，其特征在于，步骤4中根据训练样本集合 在给定的虚警概率Pf下，利用贪婪凸包学习算法计算检测器的决策区域Ω的具体子步骤为：

4.1定义一个包含训练样本集合S所有样本的凸包CH(S):其中，SP{·}表示由三角形围成的封闭空间， 表示组成凸包CH(S)表面的第q个三角面的三个顶点，Q表示凸包CH(S)上的三角面总数；

4.2根据给定的虚警概率Pf和贪婪凸包学习算法，依次删除使凸包体积减小最大的[P*N/L*Pf]个虚警训练样本，得到剩余的训练样本集合S'，其中，[·]表示向下取整；

4.3根据剩余的训练样本集合S'，组成凸包CH(S')，作为检测器的决策区域Ω＝CH(S')。

5.如权利要求1所述的基于图多特征的海面小目标检测方法，其特征在于，步骤6中根据检测器的决策区域Ω＝CH(S')和待检测单元的图三特征向量η(r)，计算待检测单元的检测统计量其中，det(·)表示矩阵的行列式， 表示组成凸包CH(S')表面的第f个三角面的三个顶点，F表示凸包CH(S')上的三角面总数。

6.基于图多特征的海面小目标检测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1至5任一项所述的方法。