1.一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，包括以下步骤：步骤1：雷达向目标区域发射线性调频信号，获取经过脉冲压缩与距离徙动校正的回波信号，然后根据天线方向图与散射系数的卷积，得到方位回波信号模型；步骤2：基于目标-杂波分治的复数多特征增强网络，进行目标回波-杂波分离；具体通过多层卷积网络提取幅度空间、相位空间、频率空间、驻留时间空间这四个空间的特征，然后经过U-net网络进行特征增强和融合，得到目标回波；步骤3：基于分离数据的稀疏贝叶斯学习超分辨成像；构建噪声杂波的概率密度函数，假设噪声杂波的精度服从伽马分布，根据复高斯分布得到目标回波的先验信息，并引入目标散射系数的先验信息来描述前视场景；将目标散射系数的精度单独建模伽马分布；利用贝叶斯法则推导出目标散射系数、噪声杂波的精度、目标散射系数的精度的后验分布；然后对目标散射系数、噪声杂波的精度、目标散射系数的精度这三个超参数进行迭代求解；步骤4：超参数剪枝求解器；使用固定阈值移除参数活跃集中的冗余元素，再对三个超参数进行迭代求解。
2.根据权利要求1所述的一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，所述方位回波信号模型的表达式如下： ；其中， 为方位回波， 为天线方向图矩阵， 为目标散射系数， 表示不同时刻的海面杂波散射变化， 表示波束扫描过程中同一位置的运动相位调制， 表示哈达玛积， 表示卷积运算， 为天线方向图函数， 为慢时间， 为噪声。
3.根据权利要求2所述的一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，所述目标-杂波分治的复数多特征增强网络具体如下：每个空间的特征通道通过多层卷积结构提取不同深度层次的特征，然后将4个空间特征进行拼接，经过U-net网络后完成特征筛选聚合和通道维度转换；所述多层卷积结构中每层卷积包括两个连续的3×3卷积操作，中间穿插ReLU激活函数；每个空间域指定包含6个显式特征通道和10个隐式特征通道，显式特征通道包括局部熵、局部方差、局部变化率、局部对比度、归一化幅度和纹理特征；通过复合损失函数对目标-杂波分治的复数多特征增强网络进行训练。
4.根据权利要求3所述的一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，所述复合损失函数包括基于目标回波的目标幅度损失、目标频率-相位损失、驻留时间损失。
5.根据权利要求4所述的一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，所述步骤3具体如下：构建噪声和杂波的概率密度函数： ；其中， 表示 的概率密度函数， 表示复高斯分布的概率密度函数表示形式， 表示噪声和杂波， 表示复高斯分布， 表示杂波和噪声的精度， 表示方差， 表示单位矩阵；假设 服从伽马分布，根据伽马分布得到杂波和噪声的精度 的形状参数 和尺度参数 ，设 得到一个不影响最终估计的广义超先验；根据复高斯分布的公式，推导出目标回波信号 为： ；引入复高斯分布作为目标散射系数 的先验信息来描述前视场景： ；其中， ， 表示目标散射系数的精度， 表示连乘符号， 是目标散射系数的精度的第 个元素，代表目标在第 个相关部分的精度， 为目标场景第 个方位角度上的目标散射系数， 表示将向量对角化；将 建模为独立的伽马分布，得到β的伽马分布的形状参数 和尺度参数 ，对目标散射系数的精度 进行边缘化，然后计算总体先验值；利用贝叶斯法则推导出目标散射系数、噪声杂波的精度、目标散射系数的精度的后验分布，使用期望最大化EM算法求解，获得最终的目标散射系数更新迭代表达式： ； ； ；其中， 表示方位采样点数， ， ， 表示迹运算，上标U表示厄米特转置。
6.根据权利要求5所述的一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，所述步骤4具体如下：首先定义三个超参数的活跃集，其中目标散射系数的精度 的活跃 集表示如下： ；使用固定阈值移除参数活跃集中的冗余元素： ；其中， 是剪枝阈值， 表示 的冗余元素集；相对应的冗余目标散射元素和天线方向图冗余元素也将被剔除，这一过程形式化表示为： ； ；其中， 和 分别表示目标散射系数x和天线方向图矩阵H的参数活跃集； 和 分别表示目标散射系数x和天线方向图矩阵H的冗余元素集； 表示参数剪枝后，与目标散射系数相关的参数剪枝映射关系， 表示参数剪枝后，与天线方向图元素相关的参数剪枝映射关系， 表示天线方向图矩阵的第 个元素；此时，迭代求解式更新为： ； ； ；其中， 表示每次迭代剪枝后的元素集。
7.根据权利要求6所述的一种雷达回波多特征分治的海面稀疏目标超分辨成像方法，其特征在于，在进行剪枝时，使用贝叶斯信息准则BIC作为正则化约束。
