中文摘要：

跟踪空间飞行器是确保空天测控与通信正常工作的首要任务。成像探测器中的深空飞行器是淹没于杂波\噪声的弱小目标。针对现有弱小目标检测技术在挖掘目标细微特征存在的缺陷和严重不足，本课题利用稀疏信号处理理论感知弱目标空、时、频特征，探索能切实提高弱目标检测性能的有效方法。主要研究内容包括建立与弱目标在空、时、频及联合多维度特征波形一致的多尺度完备稀疏基；利用稀疏基提取弱目标的空、时、频稀疏特征；按照特征的波动程度计算非线性加权系数，融合成复合特征，并通过统计复合特征的平稳性确认弱目标；建立学习机制，利用目标当前状态更新目标的空、时、频及其联合多维度稀疏基和完善目标检测参数。本课题拟通过系统研究深空成像弱目标空时频稀疏特征的提取与识别、理解技术，解决目标信号弱和特征量不稳定瓶颈问题，为提升空间暗弱目标的探测能力提供切实有效、先进的技术手段。

结论摘要：

在空域上，目标信号具有类似高斯函数的分布特性，具有十分明显的稀疏性，但随着信噪比降低，噪声强于目标信号能量，高斯函数分布减弱；时域上，目标信号起伏剧烈程度与信噪比有关，即信噪比越低，目标信号起伏越强烈；时频上，目标信号经过处会出现一个短时的正弦信号, 其能量集中分布在特定频率范围内。提出的空域自适应形态成分超完备字典能学习图像信号特征，其原子内容丰富，较高斯字典等结构字典更能稀疏表示图像信息，稀疏特征更加有效。基于目标和杂波的运动具有连续性和一致性，研究提出的空时自适应形态成分超完备字典能同时描述目标和背景杂波的形态特性与运动信息，能更进一步提高序列图像的稀疏表示能力。提出采用高斯函数过完备空时原子区分自适应形态成分超完备字典的目标字典和背景字典。目标信号可在目标过完备空时字典中稀疏分解，但不能在背景过完备空时字典中稀疏分解；背景杂波信号可在背景过完备空时字典中可稀疏分解，但不能在目标过完备空时字典中稀疏分解。该方法进一步增强了目标与噪声的稀疏特征差异。较空域分类超完备字典，空时分类超完备字典的稀疏系数更为稀疏，即可用更少量的非零目标原子表示运动目标信号，以及更少量的背景原子表示背景杂波，目标检测能力更强。采取空域和时域条件限制，提出了自适应形态成分分类字典实时在线更新方法，保持其原子能适应不断变化的背景杂波和运动目标,提高了目标信号分解的稀疏度。基于稀疏表示的粒子滤波方法对即使在目标的形态模糊，且对比度特征不断弱化时仍能有效识别信号稀疏特征，正确识别跟踪目标。