本文作者为Zhengyang Yi、Yucheng Jiang、Ziqiang Wang、Jun Cao、Yongfeng Zhi、Jun Zhang和Xiwen Yao，均来自西北工业大学自动化学院。论文发表于 *IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing*，2026年在线发表。该研究属于雷达信号处理与深度学习交叉领域，旨在解决复杂海杂波背景下雷达目标检测的可靠性问题。
海杂波是海洋监视雷达目标检测面临的核心难题。由于海面持续演化，电磁波与毛细波、表面重力波、破碎白冠等多尺度海洋结构相互作用，海杂波表现出非高斯重尾分布、强非平稳性和结构化干扰特征。传统恒虚警率检测器依赖参考单元与待测单元同分布假设，但在真实海洋环境中该假设常被违反，导致虚警增多或弱目标漏检。复合高斯模型虽然能更好刻画重尾特性，但参数估计复杂，模型失配风险高。现有深度学习方法多采用单阶段框架，在共享特征空间中同时完成杂波抑制与目标定位。然而，这两个目标在本质上是冲突的：有效杂波抑制需要全局感受野和强平滑能力，而弱目标保持需要高空间分辨率和局部边缘敏感性。这种表示冲突构成单阶段方法的结构性瓶颈。为此，作者提出两阶段框架，将全局海杂波建模与局部目标定位显式解耦，以缓解背景抑制与弱目标保持之间的矛盾。
在方法层面，该研究设计了两个核心模块：基于状态空间模型的杂波抑制网络SCR-Net和基于卷积架构的目标检测网络TSR-Net。
第一阶段SCR-Net专门负责海杂波抑制。其设计动机源于局部卷积算子难以建模海杂波长程非局部相关性的局限。SCR-Net基于Mamba状态空间模型，该模型通过输入依赖的状态矩阵实现选择性记忆与遗忘，能够在保持线性时间复杂度的同时提供远大于卷积的有效感受野，且避免了Transformer的二次计算复杂度。在具体实现中，SCR-Net先将二维雷达图像切分为8×8的非重叠块并展平为一维序列，经过输入投影映射到高维嵌入空间，再通过两层Mamba块进行序列建模，最后通过输出投影恢复为一维信号。该网络使用目标信号保真损失进行训练，即最小化网络输出与真实目标信号之间的均方误差，使SCR-Net成为一个智能滤波器，有效剥离结构化杂波并保留稀疏目标响应。
第二阶段TSR-Net采用紧凑的U-Net编码器-解码器结构。其输入为原始雷达图像与SCR-Net杂波抑制输出在通道维度上的拼接，从而同时保留完整回波信息与杂波减少后的结构先验。TSR-Net的编码器包含三个卷积阶段，特征通道数从32逐步翻倍至128，瓶颈层扩展至256通道；解码器通过转置卷积逐步恢复空间分辨率，并在每级利用跳跃连接融合深层语义与浅层空间细节。最后一层1×1卷积与sigmoid激活输出目标概率掩膜。TSR-Net使用软交并比损失进行优化，该损失直接优化预测掩膜与真实掩膜之间的空间重叠，对微小平滑目标的分割尤为有效。训练策略为顺序训练：先训练SCR-Net至收敛后冻结其参数，再单独优化TSR-Net，防止定位损失干扰已学到的杂波抑制表示。
该研究构建了基于复合K分布的高保真仿真数据集，共5000幅256×256图像，目标为3×3至11×11像素矩形区域，信杂比从1 dB到15 dB，训练与测试按80/20划分。真实数据来自海军航空大学雷达数据共享计划，包含276帧656×875回波，目标通常仅占1至5像素宽、2至3像素高，中位数尺寸约3×3像素，仅占图像面积约0.013%，且存在严重非平稳海杂波和同频干扰。真实数据按连续时段划分训练与测试，避免相邻帧的时间泄漏。
在仿真数据集上，所提方法取得了91.51%的mAP、90.75%的精确率和96.51%的召回率，优于CFAR（mAP 12.64%）、AMF（54.00%）、FCN（88.77%）、LSTM（84.13%）和TSC-Net（89.74%）。ROC曲线显示所提方法AUC达到1.0000。在恒虚警率10⁻⁴条件下，当信杂比低于5 dB时，CFAR和TSC-Net检测率骤降至25%以下，而所提方法在1 dB信杂比下仍保持超过0.9的检测概率。真实数据上，CFAR和AMF的mAP分别仅为0.00%和0.02%，TSC-Net达到83.64%，所提方法以87.97%精确率、93.73%召回率和90.27% mAP显著领先。ROC分析显示真实数据上所提方法AUC为0.8534，远高于TSC-Net的0.7196。在负信杂比区域，所提方法仍能快速恢复至AUC超过0.8的平台。
消融实验表明，仅使用TSR-Net的mAP降至83.12%，仅使用SCR-Net则坍塌至45.20%，证明两个阶段的互补必要性。将Mamba替换为CNN或Transformer的mAP分别降至82.46%和82.13%，验证了选择性状态空间模型在长程非平稳海杂波建模中的优势。训练策略消融显示，端到端联合训练虽然精确率略高（88.53%对87.97%），但召回率大幅下降（89.22%对93.73%），mAP低于解耦训练（87.96%对90.27%），证实了表示冲突假设。计算效率方面，所提方法仅需2.84百万参数和22.97 GFLOPs，推理延迟1.43毫秒，对应约700帧每秒的实时处理速度。
跨分布泛化测试揭示，在K分布上训练的模型对Weibull分布零样本泛化达到90.37% mAP，但对Pareto分布仅2.25%，表明极端重尾的Pareto分布与训练分布差异过大，SRC-Net无法有效抑制其高强度尖峰，这为未来混合分布训练和无监督域适应研究提供了方向。
该研究的核心贡献在于：提出了显式解耦海杂波抑制与目标定位的两阶段框架，有效缓解单阶段架构中全局背景衰减与弱目标保持之间的固有冲突；开发了基于Mamba的SCR-Net，以线性复杂度建模长程相关海杂波；设计了轻量化TSR-Net利用原始图像与杂波抑制表示的通道拼接实现像素级目标定位；通过仿真与真实数据验证了方法在检测率、虚警率、计算效率方面的综合优势。其科学价值在于为雷达目标检测提供了“先背景后目标”的新范式，应用价值体现在对海上交通监控、搜索救援和海防预警等实际场景的稳健实时检测能力。未来工作将聚焦于时序状态空间建模、半监督适应和混合分布训练，以进一步提升在极端未知海况下的普适性。