1.一种基于稀疏-邻域联合约束的深度展开ISAR超分辨率成像方法，其特征在于，具体步骤为：步骤1、构建逆合成孔径雷达ISAR图像退化模型；步骤2、基于所述ISAR退化模型与压缩感知理论，构建ISAR超分辨率成像问题；步骤3、使用交替方向乘子法ADMM求解所述ISAR超分辨率成像问题；步骤4、将ADMM求解所述ISAR超分辨率成像问题的过程展开为多级神经网络；步骤5、将低分辨率ISAR回波输入至训练好的神经网络，得到ISAR超分辨率成像结果；所述步骤1中构建的ISAR图像退化模型具体为： ；其中， 表示观测到的低分辨率回波， 和 分别表示低分辨率回波对应的快时间维采样点数和慢时间维采样点数， 表示高分辨率ISAR图像， 和 分别表示高分辨率ISAR图像对应的快时间维采样点数和慢时间维采样点数，且 ， ， 表示噪声， 表示观测函数，定义 的计算过程为： ；其中， 表示二维离散傅里叶变换， 表示矩阵转置， 和 分别表示快时间维和慢时间维的下采样矩阵，并定义为： ；其中， 表示矩阵中第 行第 列的元素， 为行索引， 为列索引， 表示向下取整；所述步骤2中构建的ISAR超分辨率成像问题为： ；其中， 为待求的ISAR超分辨率结果， 表示矩阵的Frobenius范数， 表示平方运算， 表示矩阵的L1元素范数， 和 分别表示 项和 项的正则化系数， 表示邻域幅度计算操作；对 采取所述邻域幅度计算操作的具体方式为： ；其中， 表示取模运算；所述步骤3中使用ADMM求解ISAR超分辨率成像问题，具体如下：步骤3.1、引入 为ADMM中的辅助变量，则步骤2构建的ISAR超分辨率成像问题改写为： ；步骤3.2、根据步骤3.1改写后的ISAR超分辨率成像问题，构建增广拉格朗日函数 并如下： ；其中， 为惩罚系数， 为缩放形式的对偶变量；步骤3.3、将步骤3.2所述的增广拉格朗日函数分解为3个子问题，并分别表示为： 子问题： ； 子问题： ； 子问题： ；其中， 表示矩阵的迹运算， 表示共轭转置运算；步骤3.4、迭代求解步骤3.3所述的3个子问题直到预设迭代次数 ，得到求解结果；设当前处于第 轮迭代，则迭代求解的具体步骤为：步骤3.4.1、求解 子问题，得到 的更新公式： ；其中， 表示第 轮迭代中的变量， 表示步长， 表示梯度运算符， 表示软阈值函数；定义当输入为 ，软阈值为 时，软阈值函数的计算方式为： ；其中， 表示取两数中的最大值；步骤3.4.2、求解 子问题，得到 的更新公式： ；步骤3.4.3、求解 子问题，得到 的更新公式： ；其中， 为尺度因子；步骤3.4.4，比较 与 的大小，若 小于 ，则 自增1，重复步骤3.4.1至3.4.4，若 等于 ，则 为所得超分辨率成像结果；所述步骤4中将ADMM求解所述ISAR超分辨率成像问题的过程展开为多级神经网络，具体如下：构建所述多级神经网络由 个阶段级联而成，每个阶段的网络结构相同，且均为双流结构形式；所述双流结构包含展开网络分支、卷积网络分支以及一个交叉注意力模块；所述展开网络分支对应于步骤3中ADMM迭代求解过程的一轮迭代，所述卷积网络分支为一个像素注意力模块，所述交叉注意力模块对所述展开网络分支和所述卷积网络分支输出的结果进行优化；设 为阶段序号， ，阶段 接收低分辨率回波 以及阶段 的输出 作为输入，并输出计算结果 至阶段 ，其中 表示在阶段 时卷积网络分支的输出结果；规定阶段1的输入 ， ，其中 表示二维离散傅里叶反变换， 表示零矩阵；将阶段 的输出 和 经过一个 卷积层进行特征提取，得到最终超分辨率成像结果 。
2.根据权利要求1所述的方法，其特征在于，所述步骤4中的所述展开网络分支用于依次执行以下计算： ； ； ；其中， 表示阶段 中未经交叉注意力模块处理的 的更新结果， 均为网络可学习参数, 表示阶段 的交叉注意力模块；所述卷积网络分支用于执行以下计算： ； ；其中， 表示阶段 中未经交叉注意力模块处理的 的更新结果， 表示Hadamard积， 表示sigmoid激活函数， 均表示阶段 卷积网络分支中的卷积核尺寸为 的二维卷积层；所述交叉注意力模块用于同时接收 和 作为输入，通过特征提取和交叉注意力机制对 和 实现注意力加权，输出 和 ，具体计算流程为： ；其中， 均表示阶段 交叉注意力模块中的二维卷积层， 表示阶段 针对展开网络分支的注意力分数， 表示阶段 针对卷积网络分支的注意力分数， 表示阶段 的交叉注意力计算操作；当输入为 和 ，输出的注意力分数为 时， 的计算过程为： ； ； ；其中， 均表示阶段 交叉注意力计算操作中的二维卷积层， 和 分别表示查询向量、键向量和值向量， 表示向量归一化操作， 表示softmax激活函数， 是一个网络可学习的权重。
3.根据权利要求2所述的方法，其特征在于，所述步骤5中所述训练好的神经网络的获取过程如下：步骤5.1、收集低分辨率ISAR回波作为训练集，并对训练集做幅度归一化；步骤5.2、定义神经网络训练的损失函数为： ；其中， 为 项的正则化系数；步骤5.3、以最小化所述损失函数为目标，在幅度归一化后的训练集上以无监督方式训练所述神经网络，并保存训练好的神经网络。
