“一花而见春,一叶而知秋;窥一斑而见全豹,观滴水可知沧海。”这几句揭示了一个现象:人类在对世界进行理解和决策认知时,虽然可能会受到客观条件的限制无法全部获取待测事物的全部,但是总能根据过去总结的经验与积累的知识,利用少量观测的“片段特征”见微知著。是大脑使人类具有了这种从压缩的采样中实现信息感知,并通过学习、处理、融合、推理等高级认知活动实现对事物的理解和决策。因此人类始终期望能模拟人脑的功能,让机器实现类脑化的信息感知、学习与决策。本课题针对合成孔径雷达(synthetic aperture radar,SAR),并依托于两个国家自然科学基金面上项目:“基于视觉先验学习和混合因子分析的极化SAR图像识别与分类(No.61271302)”与“基于脑启发的Pol SAR图像深层协同表示学习与分类(No.61671350)”,旨在让SAR平台在轨地实现类脑的成像、学习与决策。为此本课题分别在理论与应用两方面做出了探索性与原创性的工作。首先针对类脑感知、学习与认知等基础理论展开研究,系统且深入地分析了压缩感知理论与机器学习的联系,诠释了类脑压缩表示学习与深度认知推理的理论脉络,实现了信息论、图像处理与人工智能的多领域的理论交叉融合。其次突破了SAR目标信息获取,多极化特征协同表示学习,图像分类与目标识别等决策认知任务中的核心瓶颈,为实现SAR在轨快速目标成像与解译一体化迈出了坚实的一步。更具体的理论与应用创新性贡献分别如下所述:·针对信息压缩的采样、表示学习与感知等基础理论,提出了基于半监督学习的联合稀疏恢复算法,创新性的从分类的角度利用半监督学习实现联合稀疏恢复的优化过程,松弛了精确恢复所需的理论条件并减少了所需的迭代次数,实现了机器学习与稀疏优化理论的跨学科融合;提出了面向聚类任务的压缩采样学习与模糊稀疏子空间分割联合框架,缓解了高维空间内数据聚类复杂度高且可分性弱的核心瓶颈,从而降低了聚类误差;提出了基于生成式模型的分层结构化图像表示框架,通过对分层的隐变量利用结构稀疏与低秩先验建模,解决了数据域和特征域中类内差异成份与类间相似成份的表征问题,并能实现图像分类性能的显著提升;提出了非线性协同稀疏模型,解决了在合成稀疏模型中隐变量推断复杂度高且隐变量先验函数选择无法自适应于任务的问题,实现了任务驱动的先验正则函数快速判别式学习,并提高了隐变量推断与分类的效率。·针对高分辨SAR目标成像与识别,多极化特征协同学习与分类等应用,提出语义先验学习模型的面向目标的压缩成像框架,突破了奈奎斯特采样的瓶颈,实现了在少量观测视角的低采样回波数据条件下,感兴趣目标增强与背景杂波抑制的成像,相比传统以及压缩感知等主流SAR算法,大幅度地提高了目标杂波比同时缓解了数据获取与高速采样的压力;提出了实时在线的快速SAR目标特征学习与自动识别算法,相比于其余基于学习的识别算法,在保持识别准确率的条件下能大幅度降低算法识别的时间;针对极化SAR目标极化分解问题,提出了基于学习模型的自适应极化分解框架,实现了面向任务的极化SAR数据散射机制解译;针对极化SAR大数据量下少量标记样本的瓶颈与极化、空间协同信息表示学习的问题,提出了基于变分推断的生成判别式极化深度网络框架,实现极化数据空谱协同表征学习,显著提高了在少量标记样本条件下的分类性能。