本研究由武汉大学地球与空间科学技术学院的王树成、余亮、吴雄斌、张兰、谢翔和金思敏等人完成，发表于 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 2026年第19卷。研究针对高频地波雷达（High-Frequency Surface Wave Radar, HFSWR）在舰船目标检测中面临的复杂海杂波与干扰背景，提出了一种基于改进YOLOv10架构的端到端检测模型HFR-YOLO，并结合仿真-实测融合迁移学习策略，实现了对距离-多普勒（Range–Doppler, RD）谱中弱目标的高精度实时检测。

研究背景方面，高频地波雷达利用3–30 MHz电磁波沿海面绕射传播实现超视距探测，广泛用于海面风、浪、流等海洋动力参数监测以及舰船目标监视。然而，雷达回波中一阶Bragg峰、电离层杂波、射频干扰等复杂背景使得传统恒虚警率（Constant False Alarm Rate, CFAR）检测器在非均匀、非平稳杂波环境下性能显著下降。CFAR方法依赖人工设定阈值和对背景统计分布的假设，实际应用中容易出现漏检与虚警。近年来深度学习方法逐步应用于HFSWR目标检测，但现有工作多采用多阶段处理流程，实时性不足，且在强杂波或干扰下特征判别能力下降。本研究旨在实现直接在RD谱上完成高精度、实时、鲁棒的舰船目标检测，并构建连续航迹。

研究的工作流程主要包括三个环节：数据处理、模型训练与检测应用。在数据处理阶段，研究构建了两个专用数据集。第一个为基准数据集HFR-MST，来自实测数据，采用低阈值CFAR对单帧RD谱进行初步检测，并与自动识别系统（Automatic Identification System, AIS）信息进行协同匹配，实现半自动标注真实舰船目标。匹配过程中，利用径向速度、距离和方位三个维度的匹配系数，综合匹配系数m达到0.7以上时判定为正确检测。该数据集包含2450张标注RD谱，按8:1:1划分训练集、验证集和测试集。第二个为半合成数据集HFSWR-MST-Sim，基于AIS信息统计建模，从实测纯海杂波RD谱中选取无目标区域，注入模拟弱目标信号。模拟时首先按舰船尺寸分为大、中、小三类，统计其在Bragg峰区域内的距离和方位概率分布，并提取实测目标信噪比随距离的衰减关系，据此生成模拟回波幅度。每个模拟帧约注入10个弱目标，共构建1000张半合成RD谱。

在模型训练阶段，研究提出HFR-YOLO模型，以YOLOv10n为基线，针对HFSWR目标检测任务进行了多项改进。首先，将SPPF模块替换为SPPFLAN，利用级联池化和可扩展注意力机制增强对RD谱中多尺度目标特征的捕获能力。其次，采用DynamicHead作为检测头，其空间感知与任务感知机制能够适应不同雷达工作频率下的目标表示一致性。此外，研究设计了语义与细节融合（Semantics and Detail Infusion, SDI）模块，通过通道注意力与空间注意力增强弱目标特征响应，采用1×1深度可分离卷积进行通道压缩，并利用自适应平均池化、恒等映射和双线性插值实现跨尺度特征对齐，最后通过多分支卷积和注意力加权融合多级特征。针对Bragg峰区域目标模糊问题，提出了改进的DySample模块，通过深度可分离卷积生成软掩码，预测偏移量并进行掩码调制，利用像素重排和tanh约束进行偏移重参数化，最终通过动态采样实现对目标区域的自适应聚焦。训练阶段还引入了海杂波抑制正则化损失，驱动掩码在强杂波梯度区域趋近于零。损失函数方面，采用Focaler-IoU损失替代原始IoU损失，通过上下阈值过滤易样本和惩罚低质量候选框，缓解正负样本与高低IoU样本的双重不平衡问题。

训练策略上，研究提出了仿真-实测融合迁移学习策略，采用两阶段渐进式训练方案。第一阶段仅在实测基准数据集HFR-MST上进行预训练，使用Adam优化器，初始学习率1×10⁻³，权重衰减5×10⁻⁴，获得初始权重θ_pre。第二阶段在实测与半合成数据按6:4比例混合的数据集上进行微调，初始学习率降至1×10⁻⁴，得到最终权重θ_ft。该策略旨在解决Bragg峰区域内低信杂比舰船目标真实训练样本稀缺的问题。

在检测应用阶段，网络输出的目标位置被转换为雷达坐标系下的运动参数，并通过卡尔曼滤波与概率数据关联算法形成稳定连续航迹。

实验方面，数据来自中国福建沿海东山和龙海两个双站双频MIMO高频地波雷达站，选用2024年12月18日至20日的实测数据。对比实验包括消融实验、主流检测模型对比、弱目标检测性能评估以及与传统CFAR方法的综合比较。消融实验表明，两阶段训练策略相比仅用实测数据训练，召回率提高5.6%，mAP50提高2.2%，F1分数提高4.9%；相比直接混合训练，各指标也有显著提升。各模块的逐步加入使得模型在召回率、mAP50和F1分数上达到最优，尽管推理速度略有下降，但仍保持高实时性。与主流YOLO系列、Faster R-CNN、SSD和CenterNet等模型相比，HFR-YOLO在预训练阶段召回率较YOLOv10提高3.1%，mAP提高5.2%，F1提高3.8%；微调阶段召回率提高13.5%，mAP提高8.4%，F1提高11.8%，为所有对比模型中提升幅度最大。

在弱目标检测方面，经过两阶段训练后，模型检测率相对提升7.13%，虚警率相对降低14.29%。利用连续四小时实测数据，HFR-YOLO成功检测到位于正负一阶Bragg峰内的五个舰船目标，其航迹与同步AIS航迹吻合良好。在双站双频鲁棒性验证中，模型仅在龙海站低频数据上训练，在龙海高频及东山低、高频数据上检测概率均超过75%，低频条件下超过80%。与传统CFAR方法三日连续对比中，HFR-YOLO平均检测率达0.8202，虚警率为0.0024，较CA-CFAR检测率提高31.78%，虚警率降低40.00%；较OS-CFAR检测率提高14.63%，虚警率降低29.41%；较CMLD-CFAR检测率提高20.60%，虚警率降低27.27%；较VI-CFAR检测率提高22.47%，虚警率降低33.33%。Wilcoxon符号秩检验显示差异具有统计显著性（p<0.001）。距离分布分析表明，近程0–70 km检测率达93.21%，中程70–140 km为85.32%，虚警率保持较低水平。计算耗时方面，HFR-YOLO总执行时间为32.83 ms，明显低于所有对比CFAR方法，且与其他YOLO模型相比仅略高，满足实时部署要求。典型场景可视化结果显示，该方法在检测盲区、杂波边缘和低信噪比弱目标场景中均实现了最多正确检测和最少漏检。最终，在四小时连续数据中，龙海站形成87条、东山站形成71条稳定连续航迹，最长航迹持续3.3小时。

本研究的结论指出，HFR-YOLO框架有效克服了传统CFAR检测器依赖人工阈值及其在复杂杂波下性能退化的问题，通过集成SDI、DySample、SPPFLAN和DynamicHead等模块增强了弱目标判别能力、多尺度适应性和鲁棒性。仿真-实测融合迁移学习策略解决了Bragg峰区域真实训练样本不足的问题。研究亮点在于首次将YOLOv10架构针对HFSWR RD谱特性进行系统性改进，提出的两阶段渐进式训练方案有效实现了仿真到实测的知识迁移，并在多个雷达站和频率下验证了模型的泛化能力。研究价值体现在为海事监视提供了高精度、全自动、实时的检测方案，具备在业务化连续雷达系统中部署的潜力。同时，研究也指出精确率与召回率之间的权衡以及相比基线模型略增的计算开销是当前局限，未来将致力于网络结构优化和轻量化模块设计，并进一步探索将深度学习扩展到目标跟踪阶段以及电离层时空分布对检测性能的影响。