1.一种多参数学习实孔径雷达超分辨成像方法，其特征在于，包括以下步骤：步骤1：对雷达获取到的原始回波信号进行预处理，得到实波束回波，表示为天线方向图与目标散射系数的卷积；步骤2：建立以目标散射系数为求解目标的最小二乘问题，使用稀疏约束优化问题分解；然后采用分裂Bregman算法引入辅助变量和对偶变量，将原问题解耦为三个子问题，分别求解目标散射系数、辅助变量和对偶变量；步骤3：构建K层级联的深度展开网络对三个子问题进行求解，每一层网络对应一次迭代，包含目标散射重建模块、阈值滤波模块、对偶校正模块；目标散射重建模块基于上一层阈值滤波模块和对偶校正模块的输出结果对子问题1进行求解；阈值滤波模块基于当前层目标散射重建模块的输出和上一层对偶校正模块的输出对子问题2进行求解；对偶校正模块基于当前层目标散射重建模块和阈值滤波模块的输出对子问题3进行求解；步骤4：将实波束回波数据输入网络进行前向传播，基于网络输出的目标散射系数与目标真实散射系数之间的重建误差计算损失函数；最后，基于损失函数对深度展开网络的多类型参数进行迭代更新。
2.根据权利要求1所述的一种多参数学习实孔径雷达超分辨成像方法，其特征在于，所述步骤2具体如下：建立以目标散射系数为求解目标的最小二乘问题，使用稀疏约束优化问题分解，得到的优化问题表示如下： ；其中， 为估计的目标散射系数， 为真实目标散射系数， 为实波束回波， 表示天线测量矩阵， 为正则化参数； 表示 范数的平方， 表示 范数；然后采用分裂Bregman算法引入辅助变量d和对偶变量b，将原问题解耦为三个子问题： ；其中，上标k表示第k次迭代，d表示辅助变量，b表示对偶变量， 为惩罚参数。
3.根据权利要求2所述的一种多参数学习实孔径雷达超分辨成像方法，其特征在于，所述深度展开网络具体如下：目标散射重建模块利用方位角单元将惩罚参数扩展为高维惩罚矩阵、将正则化参数展开为高维正则化加权矩阵，然后对目标散射系数进行求解；阈值滤波模块包括阈值生成模块TG和残差校正模块RC，输入变量均为当前层目标散射重建模块的输出和上一层对偶校正模块的输出；阈值生成模块对输入变量执行全局最大池化和平均池化，随后对提取的特征图进行拼接并通过卷积层处理以提取判别性表示，然后用激活函数产生注意力权重图实现阈值的动态调整，处理结果通过阈值生成函数输出；残差校正模块的输入变量经过卷积运算和激活函数，随后通过残差校正项来校正输出；对偶校正模块将子问题3在迭代时的步长参数扩展为可学习的步长序列，在步长参数学习中，使用激活函数自适应调整斜率和截距来约束步长序列以达到收敛。
4.根据权利要求3所述的一种多参数学习实孔径雷达超分辨成像方法，其特征在于，目标散射重建模块的计算公式为： ；其中， 为高维惩罚矩阵， 为高维正则化加权矩阵；辅助变量在阈值滤波模块的计算式表示为： ；其中， 表示第k个网络层中的辅助变量， 表示模块的输入变量， 表示激活函数， 表示进行尺寸为1×3的卷积核运算；threshold为设计的阈值参数，其表达式为： ；其中， 表示拼接函数， 表示取最大池化， 表示取平均池化；对偶校正模块表示为： ；其中， 表示第k个网络层中的步长序列，其表达式为： ；其中， 表示第k个网络层中第i个方位角单元的步长参数。
5.根据权利要求4所述的一种多参数学习实孔径雷达超分辨成像方法，其特征在于，所述深度展开网络的训练过程将网络视为一个带有超参数的映射函数，通过最小化损失函数和梯度反向传播来迭代更新多类型参数集A中的多类型参数，包括高维惩罚矩阵，高维正则化加权矩阵，阈值参数以及步长序列，表示为： ；其中， 表示更新后的多类型参数集， 表示训练数据集，采用雷达前视成像模型生成雷达真实波束回波来构建， 表示深度展开网络在多类型参数集A下根据回波s重建的目标散射系数。
