前言

信息融合通常指对获得的多源信息在一定的准则下加以自动分析、优化综合，以完成所需决策和估计任务而进行的数据处理过程。信息融合也是生物体所固有的一种本质特征，是生物体进行环境感知和行为分析的基础。在多传感器综合系统中，信息融合能够提高目标检测识别的准确性和鲁棒性。信息融合是侦察预警中的核心关键技术，并且已被广泛应用于目标检测识别、遥感解译、视频监控等军用和民用的诸多领域。然而，在当前多源信息综合系统中，传感类型不断增加，对抗干扰技术不断进步，导致目标检测数据的不确定、高冲突、大差异等特性凸显，给目标检测识别带来了严峻挑战。

在多源信息融合目标识别中，证据理论作为一种基本的高层信息融合理论，将概率框架拓展到了幂集，其在不确定信息表示、分析与融合处理方面具有独特优势，已被广泛应用于多源异类信息综合处理。证据理论基于一个完备的辨识框架，不同信源的信息都在该辨识框架下用证据进行表示，采用证据组合规则可以将多个证据进行融合，根据融合结果对事件做出判断。融合时，不同的证据根据信源质量可以被赋予不同的权重，以调整各信源对融合结果的影响程度。

现行证据融合识别方法一般要求不同信源提供的事件证据要在相同的辨识框架下进行表示，即要求所有待融合证据的焦元（基本置信值大于0的幂集元素）来自相同的辨识框架。然而，在许多情况下，由于信源的独立性和差异性，不同信源提供的关于目标识别等事件的证据经常基于不同的辨识框架，导致现行证据融合识别方法无法处理这种异构数据。此外，由于各信源属性不同且信息可靠性不同，经常出现信源证据高冲突，传统方法在处理多源冲突数据时通常采用加权融合方式，但是这类方法只能改变信源权重，无法改善信源质量，导致高冲突数据融合结果可靠性较低。多源异构冲突数据融合是当前国际信息处理领域的一个难点。

在非合作目标识别中，训练样本往往十分匮乏，这会造成目标识别准确率较低。当存在一些与目标数据相关但分布甚至属性不同的带标注样本数据（称为源域数据）时，迁移学习通过将目标域待分类的数据和源域数据转换到统一的特征空间，利用源域数据来辅助目标数据分类。不过，在现行多源信息融合目标检测系统中，信源种类日益增多，如雷达、可见光、红外及情报文本等。这些信源属性差异较大，不同信源之间的映射迁移非常困难。并且，当源域（辅助信源）增多时，通常将多个源域整合为一个源域再与目标域数据集进行迁移，这种集中式迁移不利于充分挖掘利用每个源域的辅助知识，难以显著提高目标检测识别的准确性。对这种多源异构数据进行有效融合以提高目标检测识别的准确性成为工程应用中亟待突破的技术瓶颈。

作者长期从事多源信息融合及其应用的研究工作。目前国内外关于多源信息融合在数据分类和融合推理方面的研究进展的学术文献有很多，但针对多源、大差异、高冲突信息融合推理及其在目标检测、识别等应用方面的研究进展进行系统全面介绍的著作较少。对广大对多源信息融合推理有兴趣的人来说，拥有一部能够反映多源、大差异、高冲突信息融合推理及其在目标检测、识别等应用方面的研究进展的工具书，将有助于他们解决相关技术问题。对长期在工程一线从事具体应用的工程技术人员来说，同样需要一本能够反映多源信息融合理论及其应用研究发展动态的参考书，以更新知识储备。本书的初衷就是为信息融合领域的学生和科研工作者尽微薄之力，以对他们的学习和工作有所帮助。

作者是在长期从事多源信息融合及其应用研究工作基础上完成本书的。本书较为系统地总结了国内外这方面的最新研究进展，特别是系统地总结了作者在多源证据融合数据分类、多源信息融合目标检测与识别等方面的研究成果。本书共15章，主要包括多源信息融合处理理论与方法及多源信息目标检测、识别和应用两部分内容。第1章介绍多源信息证据融合、迁移学习、多源图像数据融合识别等相关基础知识。第2章介绍多源冲突信息鲁棒证据推理，在信源高冲突时通过对信源可靠度的精细化评估对信源证据进行修正，从而提高融合结果的准确性。第3章介绍多辨识框架下异构证据融合分类，针对多源证据辨识框架不一致问题，构建异构证据转换模型，将异构证据转换到统一的辨识框架下进行融合分类。第4章介绍多源不完备数据融合分类，针对单个信源数据不完备导致目标识别错误率高的问题，利用不同信源之间的互补知识来实现对目标的准确分类与识别。第5章介绍异质不确定数据多值映射迁移分类，针对雷达、光学等大差异数据难以精准映射的问题，采用多值映射迁移策略，即在异构特征空间利用多个映射值来表征迁移的不确定性，进而通过高层证据融合获得目标正确的分类结果。第6章介绍异构数据双向迁移融合目标分类，针对异构数据单向迁移时存在不确定性的问题，将源域和目标域的数据进行双向交互迁移，进而将目标迁移分类结果进行融合以提高分类的准确率。第7章介绍多源异构数据分布式迁移融合分类，当存在多个源域数据时，将每个源域数据分别与目标域数据进行迁移分类，然后将每个源域辅助下的目标分类结果进行加权证据融合以获得目标分类结果。第8章介绍多特征融合SAR目标检测，在没有标注样本的情况下，将SAR图像目标的统计特性和结构特性进行融合以提升目标检测性能。第9章介绍异质遥感图像无监督变化检测，采用图像翻译技术将SAR图像转化为光学图像，进而对目标变化区域进行检测。第10章介绍渐进式多光谱遥感图像变化检测，首先获得一些高置信值的变化像素点，以此为样本学习不同图像之间的映射关系，然后进行精细的目标变化检测。第11章介绍自适应开放环境下目标识别，当目标类别未被完全包含在训练集中时，利用k近邻方法并自适应寻找已知类和未知类在概率空间的最优分割阈值，从而对目标进行分类。第12章介绍多源异构图像目标迁移融合识别，通过设计端到端的深度网络模型，将每个源域的图像数据分别与目标图像对齐并辅助目标分类，最后将不同源域辅助下的分类结果进行融合，获得最终分类结果。第13章介绍观测样本严重缺失条件下的SAR目标识别，针对SAR目标观测样本匮乏的情况，通过将目标解缠为相互独立的身份特征和姿态特征，在观测角连续大范围缺失的条件下实现对目标的准确识别。第14章介绍多源图像数据融合目标识别，利用互学习技术将红外图像和可见光图像等异类图像数据进行融合，从而提高目标识别精度。第15章介绍异源舰船图像语义特征融合目标识别，针对辅助信源包含少量有标记样本及大量无标记样本的情况，构造跨源域深度学习网络，利用光学辅助源图像提高SAR目标识别的准确率。相信本书的出版对于推动多源信息融合理论及其应用的研究发展会有所裨益。

本书的出版离不开邱光辉、回学猛、宁亮波、郭钊瑞、王姝玥、刘佳翔、刘泽超、杨涛、陈照、段静菲等人的贡献，并且本书得到了国家自然科学基金项目（U20B2067）以及西北工业大学精品学术著作培育项目等的资助，在此表示衷心的感谢。由于作者水平有限，书中不妥之处在所难免，恳请读者批评指正。

刘准钆

2024年8月