1.一种基于对比学习的地面目标SAR图像鲁棒识别方法，其特征在于，所述方法包括：获取待识别的雷达目标二维图像；对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像；将所述SAR灰度图像划分为训练集和测试集，对所述训练集进行随机数据增强和归一化处理，得到同一样本的不同正例样本；构建鲁棒识别模型；所述鲁棒识别模型包括双层卷积、胶囊网络和对比学习模块；利用所述不同正例样本对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型；根据所述训练好的鲁棒识别模型对所述测试集进行识别，得到识别结果；所述胶囊网络包括初始胶囊层和路由胶囊层；利用所述不同正例样本对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型，包括：利用所述双层卷积对所述不同正例样本进行目标信息提取，得到多尺度目标特征；将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征；所述空间特征为正例特征；根据所述对比学习模块的投影层与预测层对所述空间特征进行正例特征计算，得到不对称的正例特征；利用不对称的正例特征构建对比学习损失函数；利用所述对比学习损失函数和胶囊网络的损失函数对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型。
2.根据权利要求1所述的方法，将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征，包括:将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征为其中，u i 表示初始胶囊层输出向量，W ij 表示权重矩阵， 表示路由胶囊层的预测向量，c ij 表示耦合系数，由动态路由算法确定取值，s j 表示路由胶囊层的预测向量加权和，v j 为路由胶囊层的输出分类向量，所述输出分类向量为空间特征。
3.根据权利要求2所述的方法，所述胶囊网络的损失函数为L j ＝T j max(0,m + -||v j ||) 2 +λ(1-T j )max(0,||v j ||-m - ) 2其中，m + ＝0.9表示真阳性下界，m - ＝0.1表示真阴性上界，λ＝0.5表示比例系数，L m 表示胶囊网络的损失函数，L j 表示第j类的损失，T j 表示指示函数，T j ＝1仅当为第j类。
4.根据权利要求1所述的方法，所述对比学习损失函数为其中，z表示投影层输出特征，h表示预测层输出特征，D(h 1 ,z 2 )表示正例特征h 1 和正例特征z 2 的相似性。
5.根据权利要求1所述的方法，其特征在于，对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像，包括：对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像为其中，I表示雷达目标二维图像的灰度值，O表示SAR灰度图像的灰度值，I min_count 表示雷达目标二维图像出现次数最少的灰度值，I max_count 表示雷达目标二维图像出现次数最多的灰度值。
6.根据权利要求1所述的方法，其特征在于，对所述训练集进行随机数据增强和归一化处理，得到同一样本的不同正例样本，包括：根据图像旋转、高斯白噪声扰动、随机均匀噪声替换和预先设置的随机数据增强方法实施率对所述训练集进行随机数据增强和归一化处理，得到同一样本的不同正例样本；所述随机数据增强中各方法的实施率分别为0.3:0.2:0.2。
7.一种基于对比学习的地面目标SAR图像鲁棒识别装置，其特征在于，所述装置包括：预处理模块，用于获取待识别的雷达目标二维图像；对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像；数据增强模块，用于将所述SAR灰度图像划分为训练集和测试集，对所述训练集进行随机数据增强和归一化处理，得到同一样本的不同正例样本；模型构建和训练模块，用于构建鲁棒识别模型；所述鲁棒识别模型包括双层卷积、胶囊网络和对比学习模块；利用所述不同正例样本对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型；所述胶囊网络包括初始胶囊层和路由胶囊层；利用所述不同正例样本对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型，包括：利用所述双层卷积对所述不同正例样本进行目标信息提取，得到多尺度目标特征；将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征；所述空间特征为正例特征；根据所述对比学习模块的投影层与预测层对所述空间特征进行正例特征计算，得到不对称的正例特征；利用不对称的正例特征构建对比学习损失函数；利用所述对比学习损失函数和胶囊网络的损失函数对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型；图像识别模块，用于根据所述训练好的鲁棒识别模型对所述测试集进行识别，得到识别结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
