合成孔径雷达(Synthetic Aperture Radar,SAR)图像自动目标识别是当前合成孔径雷达应用的热门研究课题,对于战场环境感知和精确打击等军事应用均具有重要意义。然而,面对复杂背景下的合成孔径雷达目标检测问题,现有方法的性能无法满足实际应用的需求,基于视觉识别专家的人工判读仍是合成孔径雷达图像分析和决策制定的重要手段。视觉物体识别能力对于人类生存、社交及发展有着重要意义。通过对某一特殊视觉领域特征的有效训练可以帮助被训对象成为相关领域的识别专家。在军事应用中,针对开放环境下的合成孔径雷达图像目标,合成孔径雷达图像视觉专家通过长期、高强度的训练,积累了丰富经验,其行为特征显著,能够快速有效地判断出复杂背景下的军事目标,表现远优于现有的计算机算法。脑机接口(Brain-Computer Interface,BCI)是在人或动物大脑与与外界设备之间建立直接连接通路,通过对脑电波(Electroencephalography,EEG)进行解码,将其翻译成机器能够读懂的指令实现人脑与机器之间的交互。根据已有研究结论,本文认为合成孔径雷达图像视觉专家应该具备特异性的神经基础支撑其特异性的视觉识别能力。基于上述事实和假设,本文采用人机结合方案,基于脑机接口技术设计“人在环路”的信息计算模式,通过研究合成孔径雷达图像判读专家模型对合成孔径雷达图像目标特异性的大脑响应信息,构建基于脑机接口的自动合成孔径雷达图像目标检测方法,实现了开放式复杂环境下的合成孔径雷达地面目标的智能化自动检测。经过一系列筛选,本文入组了10名健康被试,其中4名被试(男4名,平均年龄27±2.3)长期从事于合成孔径雷达图像领域研究工作,另外6名被试(男6名,平均年龄25±1.2)则是从来没有参加任何形式的医学影像培训或者合成孔径雷达图像相关领域的科学研究。针对大幅面合成孔径雷达图像,本文首先采用六边形搜索路径将大幅面合成孔径雷达图像分割成一系列小幅面合成孔径雷达图像,降低了计算机处理要求并确保了每一帧图像地精准呈现;随后,结合人工标记结果,挑选出符合判读标准的1386张目标实验图像和12658张背景实验图像;其次,针对合成孔径雷达图像中目标实验图像数量远少于背景实验图像的特点,决定采用OddBall实验范式;除此之外,对10名健康被试进行基于OddBall实验范式的行为学测量实验,实验结果表明对于合成孔径雷达图像,其中4名长期从事于合成孔径雷达图像领域研究工作的被试目标判读准确率明显高于其余6名被试,被当作是合成孔径雷达图像判读专家模型;之后,基于OddBall实验范式,通过快速序列视觉(Rapid Serial Visual Presentation,RSVP)方式将一系列背景图像和少许目标图像顺序呈现给被试,检测视觉识别事件诱发的神经信号—P300,构建人机结合的基于脑电的合成孔径雷达图像目标检测模型。为了搭建快速、高效、准确的基于脑电的自动合成孔径雷达目标方法,如何优化合成孔径雷达图像目标检测模型参数成为本文研究的重点之一。本文尝试从实验设计、通道选择、特征提取及分类等方面研究不同的实验设计、特征提取及分类方法是否会对合成孔径雷达图像目标检测模型判读准确率有所影响。在实验设计方面,通过比较不同的背景与图像比例、图像呈现时间以及图像重复呈现次数对脑电判读准确率的影响寻找最佳参数;在通道选择方面,采用高斯-约当法对每一个试次对应的脑电信号进行主元选择,筛选出必要脑电信号通道;在特征选择方面,尝试采用长短记忆神经网络对具有长时间依赖性的时域脑电数据进行分析;而在分类方面,尝试比较多种分类器的分类效果,选择合适的分类器。经过多组实验测试和数据分析,针对合成孔径雷达图像目标检测问题,本文发现,1:4的目标与背景图像比例、150ms的图像呈现时间以及支持向量机分类方法对应的合成孔径雷达图像目标检测模型判读准确率最好。本文通过融合合成孔径雷达图像判读专家模型认知过程中的大脑响应信息和计算机视觉完成了复杂背景下合成孔径雷达自动目标检测功能。基于Matlab和Python等开发工具,结合设计好的基于脑电的合成孔径雷达图像目标检测方法及之前研究发现的优化实验参数,本文采用OddBall实验范式,目标与背景比例为1:4,每一帧图像呈现时间为150ms,共同空间模式(Common Spatial Pattern,CSP)提取脑电特征,支持向量机(Support Vector Machine,SVM)进行分类,构建了一种基于脑机接口的自动合成孔径雷达目标检测方法。该方法一秒内能够处理四帧小幅面合成孔径雷达图像,在线合成孔径雷达目标判读率可达79.17%。本文的研究结果或许为合成孔径雷达图像自动目标检测提供了新的解决思路。