1.一种合成孔径辅助的多通道雷达前视学习成像方法，具体步骤如下：S1、获取多通道雷达前视回波数据；S2、对步骤S1获取的数据距离向脉压；S3、选取高分辨率SAR图像进行裁剪以及选取随机生成的只有点目标的图像，得到150张64x64的图像作为原始场景，基于步骤S1、S2生成多通道回波数据，构建数据集，并将实孔径数据与原始场景形成回波-图像对，并划分为训练集与测试集；其中，训练集包括150张原始场景，测试集随机选取其他不存在于训练集中的图像；S4、搭建合成孔径辅助的多通道雷达前视成像网络并进行训练；S5、由待成像区域按照步骤S1-S2获取多通道雷达脉压后的回波信号，然后输入至步骤S4已训练好的多通道雷达前视成像网络中，得到合成孔径辅助的多通道雷达前视成像结果。
2.根据权利要求1所述的一种合成孔径辅助的多通道雷达前视学习成像方法，其特征在于，所述步骤S1具体如下：设定多通道雷达前视成像采用单发多收的通道配置，在一个xyz空间坐标系中，O表示坐标系的原点，平台运动方向为X轴，各通道均匀布置在Y轴上，高度方向为Z轴；多通道雷达平台以速度v r ，高度h沿X轴方向匀速直线飞行，形成长度为L s 的合成孔径，在平台上，各个通道沿Y轴方向均匀排列，发射通道T x 以预先设定的脉冲重复频率PRF发射信号，各个通道同时接收信号；设成像区域存在点目标P 1 (x 0 ,y 0 ,0)，各通道坐标表示为(v r t a ,y m ,h)，则各通道到目标P 1 的发射距离历史 和接收距离历史 表达式如下：其中，t a 表示慢时间，y m 表示第m个接收通道的方位坐标；则对于点目标，距离历史表达式如下：设定发射信号为线性调频脉冲，则回波信号表达式如下：其中，β 0 表示点目标散射系数，t r 表示快速时间，ω r 表示距离窗，K r 表示发射信号的调频斜率，λ表示波长，c表示光速。
3.根据权利要求1所述的一种合成孔径辅助的多通道雷达前视学习成像方法，其特征在于，所述步骤S2具体如下：回波信号经过距离匹配滤波器后，得到表达式如下：使用式(4)得到所有通道回波脉压后的结果，并加入噪声，则给定一个通道的合成孔径回波表达式如下：在给定的慢时间，多个通道的瞬时数据形成快拍或实孔径数据S 2 (y m ,t r )，表达式如下：得到合成孔径及实孔径两个维度回波信号，并加入噪声。
4.根据权利要求1所述的一种合成孔径辅助的多通道雷达前视学习成像方法，其特征在于，所述步骤S4具体如下：S41、搭建深度展开网络ISTA-Net；根据阵列信号处理的知识，若天线阵列由M个阵元组成，且N个窄带信号入射到空间阵列上，则一个距离单元中的第m通道的接收信号s m 表达式如下：其中，σ i 表示第i个目标的散射系数，f 0 表示发射信号的中心频率，n m 表示第m个通道的噪声，τ mi 表示第i个信号到达第m个通道时相对于参考阵元的延迟，即波程差，使用相同的网格来表示第i个目标的位置P(ρcosγ i ,ρsinγ i )，且第一个快拍的每个通道的位置表示为(0,y m ,h)，则表达式如下：其中，ρ表示斜距，γ i 表示第i个目标的方位角，y 0 表示中间通道；则不同阵元的一个距离单元的回波表达式如下：式(9)写为矩阵形式，表达式如下：s＝A·σ+n (10)其中，s表示一个距离单元的回波，n表示噪声向量，A表示导向矩阵；在给定输入回波s的情况下，首先ISTA-Net初始化估计结果 然后通过L层网络获得估计结果；其中，[·] T 表示矩阵的转置；然后利用估计结果与标签之间的差异设计损失函数，并通过反向传播，将损失函数的值作为反馈信号，连续调整网络中每层的权值；根据现有ISTA迭代公式，ISTA-Net在第l(1,2,3…L)层分为两个模块：线性模块R和非线性模块N，表达式如下：其中，r (l) 表示第l层的线性重建结果，β (l) 表示第l层中可学习的步长，正则化系数κ和β合并为一个参数V，即V (l) ＝κ (l) β (l) ，表示可学习的阈值；场景存在非稀疏的情况，则采用非线性变换函数F(·)，表示观测场景固有特征的矩阵，包括：边缘、轮廓；然后，式(12)中的未知 计算表达式如下：其中， 表示F(·)的左逆，使得 表示Hadamard乘积，I表示单位算子； 和F均在网络的训练过程中学习和更新，且F包括ReLU分离的两个线性卷积算子；其中，预先设定滤波器数量为2N f ，且每个滤波器的大小为ω f ×ω f ，第一个卷积算子对应N f 个滤波器，第二个卷积算子对应于另一组N f 个滤波器；考虑雷达回波数据是复值，对矩阵矢量相乘进行分解，表达式如下：其中，Re(·)和Im(·)分别表示复数的实部和虚部；使用平均欧氏距离损失函数 表达式如下：对F(·)和 施加对称约束损失函数 表达式如下：则所述深度展开网络ISTA-Net端到端损失函数表达式如下：其中， 表示差异损失函数， 表示对称约束损失函数，G表示训练样本的总数，L表示网络总层数，η表示平衡 和 的权重参数；利用设计的损失函数，获得训练好的ISTA-Net，用于实孔径超分辨成像得到成像结果f ISTA_Net (ρ,γ)；S42、合成孔径维度处理；根据回波模型式(5)，采用反向投影BP算法对合成孔径数据进行处理，通过将雷达回波数据投影到成像区域的每个单元上，并将不同方位的值相干叠加，实现方位聚焦；根据BP成像原理，第i通道的成像结果f bp_i (ρ,γ,y i )表达式如下：其中，ρ表示斜距，γ表示方位角；S43、融合处理；在步骤S41与S42基础上，将合成孔径处理结果与实孔径ISTA-Net超分辨结果进行融合，得到最终的成像结果；且在同一网格上显示成像结果，则通过相乘来实现融合，获取无模糊前视成像结果f SAP_ISTA_Net (ρ,γ)，表达式如下：f SAP_ISTA_Net (ρ,γ)＝f bp_i (ρ,γ)·f ISTA_Net (ρ,γ) (19)。
