1.基于多级胶囊融合网络的SAR目标识别方法，其特征在于，包括如下步骤：

获取目标区域SAR图像；

将所述目标区域SAR图像输入多级胶囊融合网络，所述多级胶囊融合网络包括特征提取模块、初始胶囊、分类胶囊和属性注意重构模块，采用动态路由机制不断迭代更新初始胶囊与分类胶囊之间的权重分配，特征提取模块经过四个提取层分别进行特征提取并以胶囊的形式进行构造形成初始胶囊；通过动态路由机制将初始胶囊的输出信息传递给分类胶囊，所述特征包括幅度、方位角、俯仰角和形状4类属性信息；属性注意重构模块由依次连接的自注意模块和两个全连接层组成，用于将分类胶囊输出的10个4维向量重构形成重构图像，具体地，所述四个提取层包括第一提取层、第二提取层、第三提取层、第四提取层，所述第一提取层、第二提取层、第三提取层、第四提取层均使用Basic block结构，其中第一提取层、第二提取层、第三提取层均包括2个Basic block结构，第四提取层包括3个Basic block结构；

所述Basic Block结构包含两个3x3的卷积层和跳跃连接，其中两个卷积层的步距为1，采用ReLU激活函数；

所述自注意模块用于使用点卷积对输入分类胶囊进行三个非线性变换分别生成查询Q向量、键K向量和值V向量，对查询Q向量和键K向量进行点积运算获得相似矩阵并对相似矩阵进行缩放，通过Softmax函数获得注意力权重矩阵；将值V向量与注意力权重矩阵相乘获得判别度高的分类胶囊；所述两个全连接层中第一个全连接层采用ReLU激活函数，第二个全连接层采用sigmoid激活函数；

所述多级胶囊融合网络的训练过程中，采用L2距离进行胶囊间属性参数相似度度量，公式如下：式中， 向量对应胶囊属性参

数M1的幅度、方位角、俯仰角和形状4类属性信息； 向量对应胶囊属性参数M2的幅度、方位角、俯仰角和形状4类属性信息，t表示是求和在前4个元素上进行的。

2.基于多级胶囊融合网络的SAR目标识别装置，其特征在于，包括：获取模块和多级胶囊融合网络，其中，所述获取模块，用于获取目标区域SAR图像；

所述多级胶囊融合网络，用于将所述目标区域SAR图像输入多级胶囊融合网络，所述多级胶囊融合网络包括特征提取模块、初始胶囊、分类胶囊和属性注意重构模块，采用动态路由机制不断迭代更新初始胶囊与分类胶囊之间的权重分配，特征提取模块经过四个提取层分别进行特征提取并以胶囊的形式进行构造形成初始胶囊；通过动态路由机制将初始胶囊的输出信息传递给分类胶囊，所述特征包括幅度、方位角、俯仰角和形状4类属性信息；属性注意重构模块由依次连接的自注意模块和两个全连接层组成，用于将分类胶囊输出的10个

4维向量重构形成重构图像，具体地，

所述四个提取层包括第一提取层、第二提取层、第三提取层、第四提取层，所述第一提取层、第二提取层、第三提取层、第四提取层均使用Basic block结构，其中第一提取层、第二提取层、第三提取层均包括2个Basic block结构，第四提取层包括3个Basic block结构；

所述Basic Block结构包含两个3x3的卷积层和跳跃连接，其中两个卷积层的步距为1，采用ReLU激活函数；

所述自注意模块用于使用点卷积对输入分类胶囊进行三个非线性变换分别生成查询Q向量、键K向量和值V向量，对查询Q向量和键K向量进行点积运算获得相似矩阵并对相似矩阵进行缩放，通过Softmax函数获得注意力权重矩阵；将值V向量与注意力权重矩阵相乘获得判别度高的分类胶囊；所述两个全连接层中第一个全连接层采用ReLU激活函数，第二个全连接层采用sigmoid激活函数；

所述多级胶囊融合网络的训练过程中，采用L2距离进行胶囊间属性参数相似度度量，公式如下：式中， 向量对应胶囊属性参

数M1的幅度、方位角、俯仰角和形状4类属性信息； 向量对应胶囊属性参数M2的幅度、方位角、俯仰角和形状4类属性信息，t表示是求和在前4个元素上进行的。

3.一种计算机设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1所述的方法。

4.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的方法。