干涉合成孔径雷达技术（Interferometric Synthetic Aperture Radar，简称InSAR）是一种结合干涉测量技术和SAR成像技术的能够精确测量地表三维信息和形变信息的技术。该技术不仅具备传统SAR的全天时全天候等优势，还能利用干涉形成的相位信息来获取精确的地表三维信息和形变信息，因此广泛应用于地形测绘和地表形变监测中，如DEM获取、火山、地震、滑坡、冰川移动以及城市地面沉降等。

近年来，深度学习(DL, Deep Learning)成为学术界的一个热门研究方向，它属于机器学习(ML, Machine Learning)领域中一个新的研究方向，2013年被评为未来10项突破性技术之一。DL的概念源于人工神经网络的研究，它采用多层结构网络，通过组合低层特征形成更加抽象的高层特征，以发现数据的分布式特征表示，从而有效提取数据在空间和时间上的信息。DL通过学习样本数据的内在规律和表示层次获得一些关键的隐含信息，这些信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。DL在语音和图像识别方面取得的效果，远远超过先前的相关技术。近几年来，随着遥感大数据和计算资源的快速发展，DL也逐渐在InSAR领域得到广泛应用。

InSAR的原理是首先测量位于不同位置的两根天线接收到的信号之间的干涉相位，然后对得到的干涉图进行解缠并将绝对相位转换为高度来提取地形信息。然而，实际干涉图往往存在大量奇异点，这些奇异点源于雷达测量中的干涉失真和噪声，它们常常会引起解缠误差，从而导致DEM质量不高。为了解决这个问题，Ichikawa和Hirose在谱域中应用复值神经网络(CV-NN)来恢复奇异点，在复杂马尔可夫随机场滤波器的帮助下通过一层隐层CV-NN来学习相邻像素和中心像素频谱之间的理想关系。值得注意的是，每个训练样本的中心像素都被假设为理想像素，这表明在训练过程中没有向网络中输入奇异点。类似地，Oyama和Hirose在谱域利用CV-NN恢复了奇异点。Costante等人提出了一种全CNN编码器-解码器架构，用于从单航过干涉SAR图像中估计DEM。他们证明该模型能够从输入的雷达图像中利用编码器提取高层特征，然后通过解码器重建全分辨率DEM。此外，该网络还可以有效地解决具有上下文特征的单视SAR图像中的叠掩（layover）现象。

除了重建DEM外，DL还可应用于地表形变检测和预测。Schwegmann等人提出了一种基于CNN的干涉图沉降形变检测技术。他们使用九层的神经网络从干涉图和位移图中提取显著信息，以区分形变目标和类形变目标。此外，Anantrasirichai等人利用预先训练好的CNN通过InSAR图像自动检测火山地表形变。他们将每幅图像分割成斑块，用二进制标签重新标注，即“背景”和“火山”，最后将其反馈给网络，以预测火山的形变信息。后来人们进一步改进了该方法，使其能够利用时间序列的干涉图来探测缓慢移动的火山。在另一项与火山变形自动检测相关的研究中，Valade等人设计并训练了一个CNN从输入的缠绕干涉图中从零开始学习去相关掩模，该CNN随后被用于探测火山地表形变。后来还有人通过构建LSTM深度循环神经网络，将深度学习引入到地表沉降预测领域，实现了高精度、高时效的沉降预测。

另一个基于地球物理动机的InSAR数据深度学习实例是关于地震信息反演的，它实际上早于之前提出的基于CNN的研究，研究者利用简单的前馈浅层神经网络来刻画地震事件，并利用神经网络在解决非线性问题中的能力来自动反演震源参数。最近，深度学习也被用于层析处理。有研究文献提出一种包含向量近似消息传递算法的展开深度网络，并利用仿真和真实数据进行了实验，显示了谱估计增益，取得了比较有竞争力的性能。还有的研究文献将实值深度神经网络应用于多输入、多输出SAR三维成像。与其他基于压缩感知的方法相比，它显示了更好的超分辨能力。

DL在InSAR中还有一个非常重要的应用便是相位解缠（Phase Unwrapping, PU），其中于瀚雯和周立凡等人的研究最具代表性。他们分别在2020年和2021年提出了三种将DL应用到InSAR中的不同方法。第一种方法是将深度卷积神经网络（DCNNs）—相位梯度神经网络（PGNet）应用于相位梯度估计。第二种方法是将DL应用于枝切线的放置，该方法将残差点平衡问题转化为语义分割问题，即枝切网络(BCNet)问题。第三种方法则是将DL应用于多基线相位解缠（Multibaseline PU,MBPU），构造了一种聚类分析神经网络（CANet），如图1所示。

图1 CANet架构。

总的来说，深度学习方法在InSAR中的应用还处于非常早期的阶段。虽然结合InSAR技术在不同的应用中融入了深度学习，但除了于瀚雯和Hirose等人的开创性工作外，干涉图的全部潜力并未得到充分发挥，许多应用都将干涉图和由干涉图得到的形变图看作与RGB和灰度图相似的图像，因此干涉图的复杂程度一直未被注意。除此之外，与深度学习相关的SAR去斑问题、探测和图像复原问题所需的地面真值数据的缺乏，这些问题为人们开发深度学习与InSAR相结合的半监督和无监督算法提供了动力。该方向未来必定会是一个研究热点。