Fifty Years of Object Detection and Recognition from Synthetic Aperture Radar Remote Sensing Imagery: The Road Forward
基本信息
代码：
https://github.com/JoyeZLearning/SAR-ATR-From-Beginning-to-Present 单位：国防科技大学
作者：周洁、刘永祥、刘丽、李玮杰、彭渤文、宋娅菲、匡纲要、黎湘
日期：2025年9月26日
为什么我们迫切需要这篇五十年全景综述？
合成孔径雷达（SAR）成像可在几乎所有天气和光照条件下对目标进行观测，已成为目标与场景分析和识别领域中不可或缺的信息获取手段。合成孔径雷达自动目标识别（SAR ATR）是遥感图像分析领域最基础且极具挑战性的研究问题之一。如今，以大模型和智能体为代表的人工智能技术重构了研究范式，对各研究领域产生了深远影响，并正以前所未有的速度持续发展。然而，人工智能技术在 SAR 图像解译中的巨大潜力仍未得到释放。这篇综述的诞生，直击领域发展的三大核心痛点，有着不可替代的必要性：
行业发展碎片化，缺少全周期的系统梳理
过去数十年间，SAR ATR 领域已有多篇综述，但大多局限于单一维度：要么仅聚焦传统物理驱动的手工特征方法，要么只针对深度学习时代的特定任务，更有大量研究仅围绕舰船、飞机等单一目标类型展开。没有任何一项工作，系统追溯了 SAR ATR 从 1970s 至今五十年的完整技术演化，更未能厘清传统物理机理在现代深度学习框架中的传承与革新，导致领域研究出现 物理机理与数据驱动的脱节问题。
核心瓶颈长期未解，研究方向缺少清晰指引
五十年发展中，SAR ATR 始终面临着固有挑战：相干斑噪声、几何畸变带来的图像质量退化，目标姿态、成像参数带来的外观剧烈变化，数据采集与专业标注的极高成本，大场景与小 / 弱目标的极端不平衡，以及模型泛化性差、边缘部署受限等工程难题。现有研究大多聚焦单点技术突破，缺少对 “哪些问题已解决、哪些仍是核心瓶颈” 的系统性界定，导致大量研究重复内卷，难以实现关键技术的实质性突破。
开源生态严重滞后，领域发展缺少公平基准
综述数据显示，2020-2024 年遥感领域年发文量已与计算机视觉（CV）领域持平，差距不足 10%，但遥感领域开源代码仓库数量仅为 CV 领域的四分之一。SAR ATR 领域更是长期面临代码可复现性差、数据集分散、评估基准不统一的问题，大幅抬高了研究门槛，阻碍了技术的快速迭代与规模化落地。
为充分挖掘人工智能在 SAR 图像理解中的应用价值，科研界亟需重新思考如何实现人工智能与 SAR 图像解译的双向赋能，并力争在关键技术瓶颈上取得实质性突破。在此技术高速发展的背景下，本文首次对 SAR ATR 技术展开全面综述，梳理了该领域过去五十年的发展历程与重要里程碑，为科研界提供了清晰的发展路线图。本综述涵盖了约 250 项相关研究成果，系统阐述了 SAR ATR 的核心研究内容，包括领域核心挑战、重要数据集、代表性方法的优劣、评估指标及当前最优性能。最后，本文明确了该领域未来的潜在研究方向，并呼吁科研界重点关注三大核心基础方向：构建高质量大规模数据集、设计公平且全面的评估基准、培育安全的开源生态系统。
从星载 SAR 到 AI大模型：SAR ATR 的发展底色
SAR ATR 的核心任务，是从 SAR 图像中自动完成感兴趣目标的位置检测与类别精准分类，其经典架构由 Lincoln 实验室于 1993 年确立，分为预筛选、鉴别、分类三个递进阶段，最终实现从大场景 SAR 图像到目标级语义的精准提取。
近五十年的发展中，SAR ATR 始终是遥感对地观测的核心基石。首先，SAR ATR具备广泛且不可替代的应用价值。在冰川研究领域，该技术是极地海冰监测与航行安全保障的关键手段，能有效识别冰山、冰间水道及海冰类型；在行星探测领域，其为月球与各类行星的表面结构分析提供了技术支撑；在全球变化研究领域，该技术可助力森林生物量估算、洪涝灾害评估与地表形变监测等工作。在公共安全与国防领域，SAR ATR技术在态势感知中发挥着不可或缺的作用。其次，SAR ATR技术作为从遥感影像中提取目标级语义信息的核心技术，其发展进步直接推动了更广泛的场景理解领域的研究。其三，SAR影像存在独特的相干斑噪声、几何畸变现象，且散射机制复杂，这使得人工目视解译的难度极大。微波感知与光学感知之间存在的语义鸿沟，是自动化解译技术发展的根本动因。其四，SAR ATR技术本身处于多学科交叉领域，吸引了来自人工智能、模式识别、地球科学、电磁学 以及信号处理领域的研究者投身其中，成为跨学科创新的活力平台。
如今，在海量遥感数据的涌现与大模型、基础模型、智能体技术的快速突破双重驱动下，该领域的发展正处于关键节点。本文首次对合成孔径雷达自动目标识别技术展开全面综述，梳理了其五十年来的发展历程与重要里程碑，为相关研究者提供了清晰的研究路线图。
五大核心贡献
前所未有的全面性：首次覆盖五十年完整发展历程
综述首次系统追溯了 SAR ATR 从 1970s 的统计理论基础，到如今物理融合基础模型的全周期发展，梳理了近 250 篇领域代表性研究成果，完整覆盖了 SAR ATR 的核心挑战、经典数据集、代表性方法优劣、评估指标与 SOTA 性能，是领域内时间跨度最长、覆盖范围最广的综述工作。
直击本质的传承性：打通物理机理与深度学习的底层脉络
综述首次深度剖析了散射中心模型、CFAR 检测等传统经典物理概念，如何在现代深度学习框架中被吸收、重构与再创新，揭示了技术范式变革背后的学术连续性，彻底打破了 “传统方法与深度学习割裂” 的行业困境，为 “物理先验 + 数据驱动” 的融合发展提供了理论参考。
逻辑严谨的系统性：构建核心挑战的完整分类体系
综述将 SAR ATR 的核心挑战划分为数据相关与技术相关两大维度，清晰界定了每一项挑战的解决程度与未解难题，明确了领域未来的核心攻坚议程，让后续研究能够精准锚定真问题、解决真痛点，避免重复研究。
生态共建的开放性：构建可复现研究资源库
整理并开源了主流数据集、代码仓库及文献列表，推动领域研究的可复现性与快速迭代。访问地址：
立足长远的前瞻性：绘制未来发展的清晰路线图
基于五十年的技术发展规律，综述精准提炼了基础模型、主动学习、边云协同智能等前沿研究方向，并明确了领域未来发展的三大核心支柱：高质量大规模数据集的构建、公平全面的评估基准设计、安全可持续的开源生态培育，为 SAR ATR 领域发展划定了核心航道。
核心挑战：数据与技术的双重瓶颈
数据相关挑战
质量退化
相干斑噪声（Speckle Noise）是SAR固有的乘性噪声，严重干扰边缘和纹理；
几何畸变（叠掩、阴影、透视收缩）导致目标形状失真；
射频干扰（RFI）可能完全淹没目标信号。
目标多变
SAR成像对视角极度敏感。同一辆坦克，方位角变化几度，其散射点分布可能完全不同（“同物不同谱”）；俯仰角变化也会导致目标结构特征剧烈变化。标注昂贵
SAR图像解译需要极高的专业知识，标注成本远高于光学图像。这导致现有数据集规模小、类别少，且存在严重的长尾分布（常见目标多，稀有目标极少）。大小目标失衡
在广域监视场景中，感兴趣的小目标（如车辆）占比极低，极易被广阔的背景杂波淹没，导致漏检率高。
技术相关挑战
泛化性弱
模型在训练集外（如不同传感器、不同成像参数、新地理环境）性能急剧下降，“过拟合”现象严重。可解释性差
深度学习黑盒难以满足国防安全等高可靠性场景的需求。指挥官需要知道“为什么模型认为这是坦克”，而不仅仅是一个概率值。边缘部署难
星载、机载平台算力、功耗严格受限，而当前高性能大模型参数量巨大，难以实时运行
一文读懂SAR ATR 五十年技术演化全脉络
综述以 “特征表示” 为核心线索，将 SAR ATR 五十年发展划分为四个里程碑阶段，完整还原了技术演化的全链条，同时对检测、分类两大核心任务的技术发展进行了系统性梳理。
四大技术范式变革，定义五十年发展主线
物理机理理解阶段（1970s-1990s）：奠定理论根基
这一阶段以电磁散射物理机制建模与统计理论为核心，完成了SAR 成像与目标识别的理论奠基。1951 年 Carl Wiley 提出合成孔径成像的多普勒波束锐化原理，1978 年 Seasat-A 卫星发射后，实测数据推动了相干斑噪声统计建模、K 分布等核心理论的发展，CA-CFAR 检测框架将奈曼 - 皮尔逊准则转化为自适应阈值算法，实现了恒定虚警率下的自动目标检测，为 SAR ATR 的工程化落地奠定了理论基础。
手工特征设计阶段（1990s-2010s）：构建经典技术框架
1993 年 Lincoln 实验室提出 SAR ATR 三阶段经典处理流水线，确立了领域的算法架构；1996 年 MSTAR 数据集发布，为算法验证提供了标准化基准。这一阶段的核心是领域专家基于物理先验设计手工特征，包括属性散射中心（ASC）为代表的物理特征、灰度共生矩阵（GLCM）为代表的纹理特征、小波变换为代表的结构特征，结合 SVM、AdaBoost、稀疏表示等传统机器学习方法，实现了从目标检测到细粒度分类的技术拓展。
特征自主学习阶段（2010s-2020s）：深度学习全面革新
以卷积神经网络（CNN）为核心的深度学习技术全面引入，彻底改变了 SAR ATR 的技术范式。核心突破在于通过深度神经网络直接从原始 SAR 图像中学习层级化特征表示，摆脱了对专家手工特征的强依赖。这一阶段，A-ConvNets 验证了 CNN 在 SAR 目标分类的有效性，复值 CNN（CV-CNN）将 SAR 复数据的相位信息纳入端到端学习，FEC 框架首次实现了电磁散射特征与 CNN 深度特征的有效融合，同时也暴露了深度学习对大规模标注数据的强依赖、模型可解释性差等核心问题。
物理-数据双驱动融合阶段（2020s - 至今）：迈向可解释通用智能
SAR ATR 进入物理引导与数据驱动深度融合的新阶段。在数据层面，大规模多任务数据集为通用模型提供了基础；在架构层面，Vision Transformer、状态空间模型、扩散模型等新兴架构，将电磁散射原理深度嵌入网络设计；在学习范式层面，自监督学习、跨域预训练大幅降低了模型对标注数据的依赖，检测、识别、分割等任务可在统一的基础模型上完成灵活适配，推动 SAR ATR 向高性能、可解释、强鲁棒性的通用识别系统演进。
两大核心任务：检测与分类的技术演进全景
综述对 SAR 目标检测、目标分类两大核心任务，分别构建了完整的方法分类体系，系统梳理了从传统方法到深度学习方法的技术演进与性能表现。
SAR目标检测：从统计假设检验到端到端智能检测
检测任务的核心挑战，是在强相干斑、复杂背景中精准分离目标并抑制虚警。综述将其划分为传统方法与深度学习方法两大分支。
传统方法
以 CFAR 检测家族为核心，基于统计假设检验实现像素级目标检测，衍生出参数化 CFAR、杂波估计 CFAR 等多类变体，同时发展出基于视觉显著性、子孔径相干性的非统计特征方法，至今仍是 SAR 检测的基础框架；深度学习方法
分为 anchor-based 与 anchor-free 两大类，前者包括两阶段的 Faster R-CNN 系列、一阶段的 YOLO/DRBox-v2 系列，后者则以 CenterNet、FCOS、DETR 类架构为核心，解决了 SAR 目标旋转、多尺度、小目标检测的核心难题。综述系统对比了主流方法在 SSDD、HRSID 等 6 大主流数据集的 SOTA 性能，其中 SFS-CNet 在 SSDD 数据集上 mAP50 达到 99.6%，MaDiNet 在多类数据集上均实现了领先性能。
SAR 目标分类：从手工特征到物理可解释深度特征
分类任务的核心，是提取具有判别性、鲁棒性的目标特征。综述同样构建了传统方法与深度学习方法的完整分类体系。
传统方法
分为强度特征、纹理特征、散射建模特征、结构建模特征四大类，核心是通过专家先验提取物理可解释的特征，结合浅层分类器实现目标分类，奠定了 SAR 分类的物理基础；深度学习方法
分为强度统计特征、结构特征、电磁散射特征三大类，其中电磁散射特征相关方法实现了物理机理与深度学习的深度融合，复值 CNN、物理先验引导的网络设计，大幅提升了模型的可解释性与泛化性。在经典 MSTAR 数据集上，深度学习方法已实现近 100% 的分类精度，其中 MMFF 方法准确率达到 99.95%。
SAR ATR 最新研究进展全梳理
综述系统总结了近三年 SAR ATR 领域的三大前沿研究方向，全面呈现了领域最新的技术突破与发展热点：
基础模型：SAR 智能解译的新范式
基础模型已成为 SAR ATR 领域的核心研究热点，综述将其分为三大类：
通用基座赋能
直接将自然图像预训练大模型迁移至 SAR 任务，在分割任务中展现出优势，但存在显著的域间隙问题；跨遥感行业通用模型
面向光学、SAR 等多源遥感数据的通用预训练模型，如 SkySense++ 在 12 个下游任务中实现 SOTA，但对 SAR 检测任务的探索不足；SAR 垂直领域基础模型
针对 SAR 数据特性做专属设计，如 SARATR-X 通过两阶段自监督抑制相干斑噪声，SUMMIT 通过多任务学习增强散射机理理解，在更小的参数量下实现了检测任务的性能超越，但仍受限于预训练数据的规模与多样性。
同时，综述也指出了当前基础模型的核心瓶颈：架构缺少 SAR 专属设计、对复值数据与非高斯噪声的适配不足、预训练数据规模与多样性受限、缺少统一的评估基准。
有限数据学习：破解 SAR 标注稀缺的核心难题
SAR 图像标注需要电磁散射领域的专业知识，标注成本极高，少样本学习成为领域核心攻坚方向。综述从三个维度系统梳理了最新进展：
样本数量有限
通过元学习优化策略、基于成像几何的 SAR 数据仿真生成，解决少样本场景下的特征学习不稳定问题；类别有限
通过类增量学习缓解模型 “灾难性遗忘”，通过开集识别实现未知类别与已知类别的精准区分，适配真实场景中目标类别持续扩展的需求；分布有限
针对数据集长尾分布问题，通过加权损失函数、难样本挖掘、强化学习优化等方式，解决模型对少数类样本拟合不足的问题。
域自适应：提升模型跨场景泛化能力
SAR 图像统计特性对传感器、成像参数、观测视角高度敏感，分布偏移导致模型跨场景泛化性极差。综述梳理了域自适应技术的最新演进：从早期基于判别器、梯度反转层的全局特征对齐，发展到如今将域差异分解为散射拓扑、旋转角度等可解释性子问题，通过门控融合、动态卷积实现差异化补偿；同时，单域泛化相关研究也实现了零样本场景下的 SAR 知识迁移，为模型跨传感器、跨场景落地提供了核心技术支撑。
SAR ATR 发展蓝图
基于五十年的发展历程与当前技术瓶颈，综述从生态建设、理论模型算法、真实场景落地、系统安全四大维度，提出了 SAR ATR 领域未来发展的完整框架。
构建开放、共享、可持续的 SAR ATR 生态
数据与基准是 AI 时代 SAR ATR 发展的核心底座，综述提出三大核心抓手：
构建智能协同标注系统
基于多模态大模型与 SAR 领域知识图谱，打造人机协同的标注体系，通过标注 Agent 实现自动化预处理，降低标注成本、提升标注精度；发展物理机制驱动的合成数据生成
将 SAR 成像机理与电磁散射模型深度嵌入生成网络，构建高保真仿真数据集，解决实测数据长尾分布、极端场景数据稀缺的问题；建立统一的高质量数据集与评估基准
打造覆盖多维度指标、多类型任务、多复杂度场景的综合评估体系，呼吁学术界共建透明、可复现的开源生态，解决领域 “基准不统一、结果不可比、代码不可复现” 的核心痛点。
理论、模型与算法的八大前沿方向
综述明确了 SAR ATR 模型与算法未来的八大核心攻坚方向，实现从 “封闭场景识别” 到 “开放世界理解” 的跨越：
构建从垂直领域到行业级、多模态的 SAR 大模型体系；
研发 SAR 先验知识引导的、物理可解释的基础模型；
构建面向 SAR 的电磁世界模型，结合具身智能实现动态场景自适应；
发展标签高效学习范式，最大化利用有限标注资源；
引入不确定性量化，让模型具备感知自身预测可靠性的能力；
发展分布外（OOD）学习，让模型明确自身认知边界；
实现语言 - SAR 图像对齐，通过自然语言实现交互式 SAR 图像理解；
推进光学 - SAR 跨模态学习，实现多源数据的优势互补与知识迁移。
面向真实场景的工程化技术创新
针对 SAR ATR 从实验室到真实场景落地的 “最后一公里”，综述提出两大核心方向：
协同分布式智能
面向星载、机载、无人机等分布式平台，发展联邦学习、边云协同架构，实现通信约束下的高效知识共享，兼顾数据隐私与模型性能；自主在线智能
通过模型量化、剪枝等压缩技术，实现资源受限端侧的高效推理；通过在线自适应、持续学习、人在回路的主动学习，让模型在部署后持续适配动态环境，实现全自主的 SAR ATR 系统。
构建全栈式安全可信SAR ATR系统
综述强调，安全可信是 SAR ATR 在关键任务中大规模部署的核心前提，需要从数据、模型、应用全流程构建安全体系：针对数据，防范数据注入、泄露与生成数据污染；针对模型，通过对抗训练提升鲁棒性，通过可解释性与不确定性量化实现决策可追溯；针对应用，保障边缘节点物理安全、人机交互真实性与多平台协同可信性，最终建立全面的系统可信性评估框架。
写在最后
五十年栉风沐雨，SAR ATR 从物理理论的奠基，到 AI 时代的爆发式发展，已成为遥感对地观测领域不可或缺的核心技术。这篇里程碑式的综述，不仅是对 SAR ATR 五十年发展历程的全面复盘与系统总结，更厘清了技术发展脉络、指明了未来的核心航向。
对于学术界而言，它是一份极具价值的 “入门指南” 与 “研究地图”，让研究者能够快速把握领域全貌，精准锚定核心科学问题；对于工业界而言，它是一份技术落地的 “参考手册”，清晰呈现了技术成熟度与工程化瓶颈，为 SAR 技术的规模化应用提供了全面参考。
我们也期待，这篇综述能够推动 SAR ATR 领域的开源生态建设与技术协同创新，让 SAR 在 AI 时代释放出更大的价值，为遥感对地观测、防灾减灾、深空探测、国土安全等领域的发展，注入更强劲的技术动力。
更多图表分析可见原文
