1.一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：包括以下步骤：S1、雷达回波信号预处理与多维度特征提取：从车载毫米波雷达采集原始回波信号后，进行信号的预处理操作；

S2、测量矩阵构建及选择：基于多径干扰数量、压缩比、硬件资源占用率和目标径向速度，选择不同的测量矩阵构建策略；测量矩阵构建策略具体为：当多径干扰数量≤4个，且硬件资源占用率≤60%时，选择混合高斯‑傅里叶模式，将高斯随机矩阵 与部分傅里叶矩阵 进行维度拼接：其中，M1表示高斯测量模式下取的压缩观测数，M2表示傅里叶测量模式下取的压缩观测数，且M1+M2=M；N表示原始信号的长度，即待恢复稀疏信号的长度， 表示实数集；

当多径干扰数量≥5个，且硬件资源占用率≤50%时，采用多模态加权融合，动态调整权重α提升鲁棒性：其中，权重系数α1,α2,α3根据信噪比、采样率以及环境噪声水平动态调节，α1+α2+α3=1，且αi≥0.2，根据实时采集的信噪比和压缩比动态更新α1、α2以及α3，更新周期与雷达信号帧周期一致：α1=max(0.2,0.5×(SNR/SNR_max))α2=max(0.2,0.3×(1‑CR))α3=1‑α1‑α2

其中，α1表示相关性阈限调节因子，用于控制支撑集提取中保留多少个强相关元素，SNR表示实时信噪比，SNR_max表示雷达系统最大可承受信噪比，当SNR≥10dB时，α1≥0.25；α2表示稳定性判断调节因子，用于判断支撑集在多个迭代中的一致程度，CR表示压缩比，当CR≤

0.5时，α2≥0.15；α3表示稀疏水平估计更新调节因子，用于控制新的稀疏水平即K值估计是否上调或下调，且α3≥0.2；

当硬件资源占用率＞70%时，根据压缩比动态选择高斯矩阵ΦG或哈特莱矩阵ΦH：其中，M表示测量矩阵Φ的行数，γ表示控制选择测量矩阵的门限参数；

S3、压缩感知观测：采用步骤S2构建的测量矩阵对预处理后的雷达回波信号进行子采样；S4、初始稀疏水平估计与剪枝处理：根据投影能量占比估计信号的初始稀疏水平，并进行初始支撑集的筛选，剔除低置信度的候选项；根据相关性峰值比、投影能量集中度以及能量分布熵进行稀疏水平的优化更新；

S5、支撑集提取与稳定性判断：基于估计的稀疏水平和压缩观测，采用迭代算法提取信号的支撑集，并对其进行稳定性判断，若满足要求则执行步骤S7，否则执行步骤S6；

S6、不稳定支撑集的再估计与更新：根据支撑集变化幅度自适应地放宽或收紧估计值，反馈调整测量权重或残差，重新进入支撑集提取流程，即返回步骤S4；

S7、正则化残差反馈更新：在支撑集稳定后，引入正则化残差反馈机制对信号残差进行(t)更新；对残差进行正则化反馈更新，反馈权重λ 随迭代次数按指数衰减规律动态调整：计算基础残差 ，从第6次迭代开始在残差更新中嵌入正则化反馈项以增强鲁棒性 ，其中，y表示压缩观测向量，r(t)

表示第t次迭代后的残差值，A表示完整的压缩观测矩阵， 表示当前支撑集对应的子(t) (t)矩阵； 表示第 t 次迭代时，支撑集s 对应的重构信号分量；s 表示第t次迭代后的支(t)撑集；A表示完整的压缩观测矩阵； 表示第t‑1次迭代时的重构信号；λ 表示迭代相关的指数衰减正则系数，定义为：其中，λ0=0.05×σ表示初始系数，τ=5表示衰减因子；

更新残差：

否则：

判断残差范数满足下式：

或残差未如下式减小时，停止迭代：

其中， 表示第t次迭代时的初始残差，表示残差下降比例阈限，当残差下降比例小于 时提前停止迭代；

S8、误差判断与循环反馈：判断当前重构信号是否满足误差阈限，若满足则执行步骤S9，否则转至步骤S4；

S9、终局重构调优输出与重建信号输出：在满足误差要求的前提下，执行最终重构调优步骤，生成最终估计信号。

2.根据权利要求1所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：所述步骤S1中，预处理时通过雷达距离‑多普勒谱估计目标径向速度，设原始雷达回波信号为 ，N表示待恢复稀疏信号的长度， 表示实数集，在 下表示为：其中，s表示稀疏系数向量； 表示向量s中非零分量的个数，K表示信号的稀疏水平；

稀疏基Ψ用于将原始信号x变换为稀疏表示s的正交或欠完备基底。

3.根据权利要求1所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：所述步骤S3中，压缩感知测量，构建压缩观测模型如下：y=Φx+n=ΦΨs+n

其中，Φ表示选择的测量矩阵，x表示回波信号，s表示稀疏系数向量，Ψ表示稀疏基；

表示压缩观测向量， 表示等效传感矩阵， 表示实数集，N表2

示原始信号的长度；n表示高斯白噪声，长度为M，与压缩观测向量y相同维度；n～N0(0,σI)，

2 2

N0(0,σI)表示多维高斯分布，其中均值向量为0，协方差矩阵为σI，σ表示根据所设定信噪比计算的标准差，I表示单位矩阵，尺寸为M×M。

4.根据权利要求1所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：所述步骤S4中，基于多径环境特性采用自适应分层耦合多指标稀疏水平判定机制进行稀疏水平估计与动态更新过程，具体包括以下分步骤：S4.1、残差初始化与相关性计算：在第0次迭代前，尚未有对x的任何估计，因此设 (0)，所以残差初值设定为r =y；之后的残

差表示为 ；其中y表示压缩观测向量， 表示t=0时刻的回波信号，即初始未经估计的信号；

T (0)

计算当前残差与测量矩阵的列的相关性向量：u=Φ r ；其中， 表示每个位置T的重构重要性， 表示实数集，N表示信号长度，Φ 表示测量矩阵Φ的转置，用于逆投影到信号维度，得到每个信号分量对当前残差的重要性度量；

S4.2、投影能量计算与排序：设 是测量矩阵Φ的第i列，则有 ，ui表(t) T (t)

示 与y的内积，即两者的相关性；计算观测残差r 与传感矩阵Φ的相关性向量u=Φ r ；

计算每个原子的投影能ei，第i个位置上投影值的平方为 ，将其降序排列：e(1)≥e(2)≥∙∙∙≥e(N)

其中，e(N)表示第N个位置的原子投影能；

S4.3、基于能量覆盖率的自适应稀疏水平估计：计算前k个最大能量的累计能量比例 ：其中，e(i)表示第i个位置上原子的投影能；

根据隧道多径环境下的目标特性，自适应选择能量覆盖率阈限ρ，找到最小的k，使得前k个最大能量已经覆盖了总能量的ρ比例，如下式所示：Kinit=min{k:Ek≥ρ},ρ∈[0.6,0.9]其中，Kinit表示稀疏水平K值的初始定义值，ρ表示能量的覆盖率阈限，当多径数量nmp≤

2时的雷达信号表现为单目标回波特性，且非零分量占比≤10%时，ρ取0.6‑0.7；当3≤nmp≤4时的雷达信号表现为多目标回波特性，且非零分量占比为10%‑30%时，ρ取0.7‑0.8；当nmp≥5时的雷达信号表现为含微弱目标特性，且非零分量占比＞30%时，ρ取0.8‑0.9；

按照幅值排序剪枝，取前 个最大幅度对应的索引作为初始支撑集Ω =argTopKi∈{1,...,N}(|ui|,Ki)，Ki表示第i次迭代后的K值，表示稀疏水平的估计值；

S4.4、计算相关性峰值比：

其中，ui表示相关性向量中第i个元素，即残差向量与测量矩阵第i列的相关性数值；uj表示相关性向量中第j个元素，用于求全信号相关性幅值的平均水平；N表示原始信号长度，即相关性向量u的元素总数；CPR表示相关性峰值比，用于衡量稀疏程度，峰值越突出，信号越稀疏；

(t)

S4.5、计算能量分布熵：将当前残差相关性向量u 归一化为概率分布：(t)

其中，分子表示当前残差相关性向量u 中第i个元素的绝对值，反映了第i个分量在残(t)差相关性上的大小；分母表示残差相关性向量u 所有元素绝对值的总和，起到归一化的作用；

为引入能量集中度判别，定义支撑集幅值的归一化熵：(t)

其中，ϵ表示避免log0的小量；H 越大，残差分布越均匀，说明未捕捉信号分散，增加稀(t)疏水平；反之，H 越小，减小稀疏水平；

(t) (t)

S4.6、耦合候选谱，计算ΔK：设当前估计稀疏水平为K ，步长为ΔK ，则：(t)

其中，CPR(t)表示第t次迭代的相关性峰值比，Ptarget表示期望峰值比； v 表示候选集合的投影能量集中度，定义为：其中，ci(t)表示第i列原子对残差的投影能量：其中能量均值为：

(t)

其中，Tt表示在第t次迭代中选取的候选原子集合，τv表示稳定阈限， H 表示支撑集的(t)能量熵，log2k 表示稀疏水平规模因子；β1、β2以及β3分别表示峰值比调节权重、残差投影能量分布权重以及信息熵归一化调节权重；

更新稀疏水平，迭代第t+1次后的稀疏水平的值为：(t)

其中，sign(ΔK )表示符号函数，用于决定稀疏水平调整的方向：+1表示增加稀疏水平，‑1表示减少稀疏水平，0则不调整；ΔKmax表示每次迭代稀疏水平调整的最大允许值，设置为当前稀疏水平的10%‑20%；

将更新后的稀疏水平K作为下一轮的输入，重复计算残差、峰值比、信息熵并更新稀疏水平，形成自适应优化闭环，实现信号稀疏水平的动态调节。

5.根据权利要求1所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：所述步骤S5中，在支撑集判定与更新过程中，引入候选集合投影能量分布的集中度指标，对支撑集稳定性进行加权判定并驱动闭环更新，具体包括：设定滑动窗口大小为3，记窗口内支撑集为St‑2、St‑1以及St，t表示当前迭代次数，St‑2、St‑1以及St分别表示第t‑2、t‑1以及t次迭代之后得到的支撑集；基础阈限记为Jthresh=0.85；

计算Jaccard相似度：

其中，Si表示第i次迭代得到的支撑集，Sj表示第j次迭代得到的支撑集；

设定滑动窗口稳定性指标为窗口内所有相邻支撑集的Jaccard相似度均值：(t)

其中，支撑集能量熵权重为： ，k 表示第t次迭代后的稀疏水平，H(t)

表示第t次迭代后的支撑集的能量熵；残差下降速率为：，

(t‑1) (t)

r 表示第t‑1次迭代后的残差值，r 表示第t次迭代后的残差值；v(t)表示候选谱集中度；ω(t‑1)和γ(t‑1)分别表示第t‑1次迭代时的支撑集能量熵权重和残差下降速率；

若Stab(t)≥0.85，则判定支撑集稳定，执行步骤S7，进入最终重建阶段；若Stab(t)＜

0.85，则判定支撑集不稳定，执行步骤S6，进入候选扩展步骤。

6.根据权利要求1所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：所述步骤S6中，在候选扩展阶段，基于残差投影得分构建候选支撑集，其中， 表示稀疏水平的估计值，currentk表示当前估计的支撑集的大小；引入评分scores机制，在第t次迭代中，根据残差计算每列得分，用于评价每个基向量对残差的贡献；结合投影强度和矩阵列范数，选出非当前支撑集的得分最高的候选索引：(t‑1)

其中，M表示测量矩阵Φ的行数，ci表示相关性投影系数；r 表示上一次迭代的残差能量；aj,i表示测量矩阵Φ第j行、第i列的元素；ε表示小正数，防止分母为0；

排除当前支撑集元素，对所有未被选中的原子计算该得分后，从中选择得分前L大的原子组成候选集合T，其中L为当前稀疏估计值K的函数，所以：(t) (t‑1)

其中，K 表示第t次迭代后的稀疏水平值，S 表示第t‑1次迭代之后得到的支撑集，(t)min(3K ,·)表示第一层限制， 表示第二层修正项，并引入支撑集历史反馈；将该候选集合T与当前支撑集S进行集合并操作，形成扩展支撑集 ，并对扩展支撑集做正交‑上三角分解，即把一个矩阵分解为正交矩阵与上三角矩阵的乘积形式，作为后续最小二乘估计的输入。

7.根据权利要求6所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：所述步骤S6中，根据中值和平均绝对偏差设置系数构建筛选阈限，剔除异常值；筛选阈限为，保留超过阈限的系数对应的支撑集，更新支撑集，重构信号为 ，θ表示用支撑集列矩阵拟合观测y后得到的信号幅度估计，MAD表示平均绝对偏差，σ表示根据所设定信噪比计算的标准差；i表示索引，用于标识第i个元素；表示候选支撑集，包含了可能属于有效信号支撑集的索引集合； 表(t)示重构信号 的第i个分量；τ 表示第t次迭代时的筛选阈限。

8.根据权利要求1所述的一种隧道场景下车载毫米波雷达信号重建方法，其特征在于：(t) (t‑1) (t‑2)

所述步骤S9中，记录最近三次迭代的支撑集S 、S 以及S ，通过求取平均Jaccard相似度，确定支撑集是否达到稳定状态，Jaccard通过计算两个集合交集大小与并集大小的比值得到：(t) (t‑1)

其中，T表示总迭代次数，t表示当前迭代索引，S 表示第t次迭代的支撑集，S 表示(t‑2)第t‑1次迭代的支撑集，S 表示第t‑2次迭代的支撑集；

当Javg＜0.85时，判定支撑集尚未达到稳定状态，执行最终支撑集优化，执行最终支撑集优化，基于信号幅度动态调整支撑集大小，重新求解最小二乘以获得最终重构结果：其中，表示最终的重构信号，AS表示测量矩阵中支撑集S对应的列子矩阵，u表示相关性向量，s表示稀疏系数向量，Ψ表示稀疏基， 表示列子矩阵AS的转置，y表示观测向量，表示支撑集上的最优解；

*

在支撑集S上利用最小二乘法求解系数向 ，再将其嵌入到全长为N的稀疏向量x中，*支撑集外位置系数置零，得到最终完整稀疏系数向量x，据此恢复最终重构信号 ：。