1.一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：按如下步骤A至步骤C，获得目标类型合成孔径雷达对应的相位图像解缠模型，然后针对目标类型合成孔径雷达的包裹相位图像，应用相位图像解缠模型进行处理，获得相对应的解包裹相位图像；步骤A.获得目标类型合成孔径雷达对应预设数量的真实相位图像，以及各幅真实相位图像分别对应的包裹相位图像，并以单幅真实相位图像及其应的包裹相位图像构成样本，进而构建样本数据集，然后进入步骤B；

步骤B.构建包含多尺度池化模块MSPM和膨胀金字塔模块DCPM的待训练网络，然后进入步骤C；

步骤C.基于样本数据集，以包裹相位图像为输入，对应真实相位图像为输出，针对待训练网络进行训练，获得目标类型合成孔径雷达对应的相位图像解缠模型；

待训练网络包括编码器网络Encoder和解码器网络Decoder，其中，编码器网络Encoder包括多尺度池化模块MSPM、膨胀金字塔模块DCPM、以及自输入端至输出端方向依次串联的

3x3卷积层、批归一化和线性激活组合层和四个编码子模块，其中，3x3卷积层的输入端构成编码器网络Encoder的输入端，即待训练网络的输入端，依次串联中顺序第四个编码子模块的输出端对接膨胀金字塔模块DCPM的输入端，膨胀金字塔模块DCPM的输出端构成编码器网络Encoder的主输出端；编码器网络Encoder中依次串联下顺序第一个编码子模块的输出端对接多尺度池化模块MSPM的输入端；各编码子模块的结构彼此相同，各编码子模块分别自输入端至输出端方向依次串联最大池化层、卷积块，其中，最大池化层的输入端构成编码子模块的输入端，卷积块的输出端构成编码子模块的输出端；

解码器网络Decoder包括自输入端至输出端方向依次串联的四个解码子模块、以及转置卷积层、连接层、3x3卷积层、批归一化和线性激活组合层，其中，批归一化和线性激活组合层的输出端构成解码器网络Decoder的输出端，依次串联中顺序第一个解码子模块的输入端构成解码器网络Decoder的输入端；各解码子模块的结构彼此相同，各解码子模块分别自输入端至输出端方向依次串联转置卷积层、连接层、卷积块，其中，转置卷积层的输入端构成解码子模块的输入端，卷积块的输出端构成解码子模块的输出端；

编码器网络Encoder中批归一化和线性激活组合层的输出端对接解码器网络Decoder中依次串联下顺序最后一个连接层的输入端，编码器网络Encoder中多尺度池化模块MSPM的四个输出端分别一一对应对接解码器网络Decoder中四个解码子模块中连接层的输入端，由多尺度池化模块MSPM输出四个不同尺寸的特征图，并按特征图尺寸由小至大，依次将四个特征图分别输送至解码器网络Decoder中依次串联下顺序各解码子模块中连接层的输入端；编码器网络Encoder中依次串联下顺序第二个编码子模块的输出端对接解码器网络Decoder中依次串联下顺序第三个解码子模块中连接层的输入端，编码器网络Encoder中依次串联下顺序第三个编码子模块的输出端对接解码器网络Decoder中依次串联下顺序第二个解码子模块中连接层的输入端，编码器网络Encoder中依次串联下顺序第四个编码子模块的输出端对接解码器网络Decoder中依次串联下顺序第一个解码子模块中连接层的输入端，编码器网络Encoder的主输出端对接解码器网络Decoder的输入端。

2.根据权利要求1所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：所述步骤A中，分别针对各幅真实相位图像，首先随机选择斜坡沿垂直方向与水平方向添加到真实相位图像中，获得相对应的干涉相位图像，然后针对干涉相位图像进行像素相位缠绕更新，最后针对干涉相位图像添加高斯噪声，获得相对应的包裹相位图像；进而获得各幅真实相位图像分别对应的包裹相位图像。

3.根据权利要求2所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：所述步骤A中，分别针对各幅干涉相位图像，分别针对干涉相位图像中的各像素位置，按如下公式：

获得像素位置对应的缠绕相位 对像素位置实现像素相位缠绕更新，其中，φ(x,y)表示干涉相位图像中(x,y)像素位置的真实相位，j表示虚数单位，exp()表示以自然常数e为底的指数函数，∠表示求角度符号， 表示干涉相位图像中(x,y)像素位置的缠绕相位。

4.根据权利要求1所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：所述多尺度池化模块MSPM包括对应于四个不同尺寸特征图的四条支路，四条支路分别自输入端至输出端方向依次串联平均池化层、1x1卷积层、批归一化和线性激活组合层，四条支路上平均池化层彼此池化尺寸互不相同，四条支路上平均池化层的输入端彼此相连，构成多尺度池化模块MSPM的输入端，四条支路上批归一化和线性激活组合层的输出端分别构成多尺度池化模块MSPM的输出端。

5.根据权利要求1所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：所述膨胀金字塔模块DCPM包括相乘融合层、批归一化和线性激活组合层、以及两个相加融合层、四条支路，其中，各条支路的输入端相连构成膨胀金字塔模块DCPM的输入端，第二条支路的输出端与第三条支路的输出端对接其中一个相加融合层的输入端，该相加融合层的输出端对接批归一化和线性激活组合层的输入端，批归一化和线性激活组合层的输出端与第一条支路的输出端对接相乘融合层的输入端，相乘融合层的输出端与第四条支路的输出端对接另一个相加融合层的输入端，该相加融合层的输出端构成膨胀金字塔模块DCPM的输出端；

第一条支路自输入端至输出端方向依次串联步长s＝1的1x1卷积层、步长s＝2的1x1的卷积层、批归一化和线性激活组合层，其中步长s＝1的1x1卷积层的输入端构成第一条支路的输入端，批归一化和线性激活组合层的输出端构成第一条支路的输出端；

第二条支路包括膨胀系数r＝5的3x3膨胀卷积层、膨胀系数r＝9的3x3膨胀卷积层、以及两个步长s＝2的1x1的卷积层、两个步长s＝1的3x3的卷积层，其中，膨胀系数r＝5的3x3膨胀卷积层的输入端构成第二条支路输入端，膨胀系数r＝5的3x3膨胀卷积层的两个输出端分别对接膨胀系数r＝9的3x3膨胀卷积层的输入端、以及其中一个步长s＝2的1x1的卷积层的输入端，该步长s＝2的1x1的卷积层的输出端对接其中一个步长s＝1的3x3的卷积层的输入端，膨胀系数r＝9的3x3膨胀卷积层的输出端对接另一个步长s＝2的1x1的卷积层的输入端，该步长s＝2的1x1的卷积层的输出端对接另一个步长s＝1的3x3的卷积层的输入端，两个步长s＝1的3x3的卷积层的输出端构成第二条支路的输出端；

第三条支路自输入端至输出端方向依次串联膨胀系数r＝9的3x3膨胀卷积层、膨胀系数r＝11的3x3膨胀卷积层、步长s＝2的1x1的卷积层、步长s＝1的3x3的卷积层，其中，膨胀系数r＝9的3x3膨胀卷积层的输入端构成第三条支路的输入端，步长s＝1的3x3的卷积层的输出端构成第三条支路的输出端；

第四条支路自输入端至输出端方向依次串联步长s＝1的1x1卷积层、全局平均池化层、形变层、步长s＝1的1x1卷积层；其中，顺序第一个步长s＝1的1x1卷积层的输入端构成第四条支路的输入端，顺序最后一个步长s＝1的1x1卷积层的输出端构成第四条支路的输出端。

6.根据权利要求1至5中任意一项所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：各个卷积块的结构彼此相同，各卷积块分别自输入端至输出端依次串联1x1卷积层、两个3x3卷积层、以及批归一化和线性激活组合层，其中，1x1卷积层的输入端构成卷积块的输入端，批归一化和线性激活组合层的输出端构成卷积块的输出端。

7.根据权利要求1所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：所述步骤C中针对待训练网络进行训练的过程中，使用Adam梯度优化算法对网络训练进行优化，并且优化过程中使用损失函数如下：其中，(x,y)表示训练样本所对应相位图像中的像素位置，L(y′(x,y))表示关于训练样本中包裹相位图像中(x,y)像素位置的损失结果，y′(x,y)表示训练样本中包裹相位图像中(x,y)像素位置的真实相位与预测相位之间的差值，b表示预设正系数。

8.根据权利要求1所述一种基于多尺度池化膨胀金字塔网络的干涉解缠方法，其特征在于：还包括针对所述目标类型合成孔径雷达对应的相位图像解缠模型，按如下公式执行评价；

其中，NRMSE为归一化均方根误差，k＝1,2,...,N，N表示待训练网络训练过程中训练样本的数量，(x,y)表示训练样本所对应相位图像中的像素位置，y′k(x,y)表示第k个训练样本中包裹相位图像中(x,y)像素位置的真实相位与预测相位之间的差值。