1.基于增广拉普拉斯算子的微动群目标高分辨成像方法，包括：
(1)获取含有数据缺失，噪声、奇异值的初始航迹矩阵D，并记录该初始航迹矩阵中缺失数据的位置Ω；
(2)利用增广拉普拉斯算子法实现初始航迹矩阵D的重构；
(2a)令稀疏参数λ＝0.7，步长ρ＝1.1，精度δ＝10-6；
(2b)令迭代次数k＝1，令第1次迭代的罚参数μ1＝0.1，令第1次迭代的拉普拉斯乘法矩阵Λ1、第1次迭代的奇异值矩阵E1、第1次迭代的填补矩阵Z1均为行数和列数与初始航迹矩阵D相同的零矩阵；
(2c)通过增广拉普拉斯算子法循环迭代，获得第k次迭代的拉普拉斯乘法矩阵Λk，第k次迭代的奇异值矩阵Ek，第k次迭代的填补矩阵Zk，最终得到重构矩阵A和分类矩阵C；
(3)基于分类矩阵的多微动目标分类：
(3a)将分类矩阵C的每一个元素取绝对值得到仿射矩阵M；
(3b)构造图拉普拉斯算子L并由图拉普拉斯算子零特征值的个数确定微动目标的个数；
(3c)将图拉普拉斯算子的特征向量用k均值方法聚类，得到每一个散射点对应的类别；
(3d)将属于同一类别的散射点航迹合并获得每个微动目标对应的子航迹矩阵；
(4)基于子航迹矩阵奇异值分解实现微动群目标的高分辨成像：
(4a)令微动目标序号j＝1；
(4b)将第j个子航迹矩阵中每个元素都减去该元素所在行所有元素的均值，得到平动校正后的第j个子航迹矩阵；
(4c)对平动校正后的第j个子航迹矩阵进行带约束的矩阵奇异值分解，得到第j个微动目标的散射点分布矩阵和雷达视线矩阵；
(4d)将第j个微动目标的散射点分布矩阵作为第j个微动目标的高分辨图像；
(4e)判断是否得到所有微动目标的高分辨图像，若是，执行步骤(4f)，否则，j＝j+1，返回步骤(4b)；
(4f)将每个微动目标的高分辨图像合并得到群微动目标的高分辨图像。
2.根据权利要求1所述的基于增广拉普拉斯算子的微动群目标高分辨成像方法其特征在于，步骤(2c)中的循环迭代过程如下：
(2c1)按照下式求第k次迭代的酉矩阵Uk，第k次迭代的特征值矩阵Σk，第k次迭代的特征向量矩阵Vk，
其中，SVD(·)表示矩阵的特征值分解操作，D表示初始航迹矩阵，μk表示第k次迭代的罚参数，Λk表示第k次迭代的拉普拉斯乘法矩阵，Ek表示第k迭次代的奇异值矩阵，Zk表示第k次迭代的填补矩阵；
(2c2)取出特征向量矩阵Vk的前i列，构成第k次迭代的子特征向量矩阵V1k，其中，i表示第k次迭代的特征值矩阵Σk中特征值大于 的个数；
(2c3)根据子特征向量矩阵V1k计算归一化向量n；
其中，I表示单位矩阵，ones表示元素个数为初始航迹矩阵列数，其值全为1的向量，T表示矩阵转至运算，||·||2表示求向量的2范数操作；
(2c4)按照下式计算第k次迭代的重构矩阵Ak：
其中，H[·]表示阈值算子操作， 表示利用阈值算子，将第k次迭代的特征值矩阵Σk中特征值小于阈值 的值赋为0时得到的阈值特征值矩阵；
(2c5)根据按照下式计算第k次迭代的分类矩阵Ck；
Ck＝[V1k,n][V1k,n]T；
(2c6)按照下式计算第k次迭代的更新矩阵Rk；
(2c7)判断更新矩阵Rk的F范数是否小于精度δ：若是，则将第k+1次迭代的填充矩阵Zk+1赋值为更新矩阵Rk的值；否则，将第k+1次迭代的填充矩阵Zk+1中与初始航迹矩阵D中非缺失数据位置相同处元素的值赋为更新矩阵Rk对应位置元素的值，将数据缺失位置Ω元素的值赋为 其中，Zk+1(i,j)表示第k+1次迭代的填充矩阵Zk+1第i行，第j列的
值，Rk(i,j)表示第k次迭代的更新矩阵Rk的第i行，第j列的值；
(2c8)按照下式计算第k次迭代的差值矩阵Yk；
(2c9)依次判断差值矩阵Yk的每一列构成向量的2范数是否小于 若是，则将第k+1迭次代的奇异值矩阵Ek+1中的此列元素的值赋为0；否则，将Ek+1此列的每个值赋为其中，Ek+1(α,β)表示第次k+1迭代的奇异值矩阵Ek+1第β
列的第α个值，Yk(:,β)表示第k次迭代的差值矩阵Yk的第β列，Yk(α,β)表示第k次迭代的差值矩阵Yk的第β列的第α个值。
(2c10)按照下式计算第k+1次迭代的拉普拉斯乘法矩阵：
Λk+1＝Λk+μk(D-Ak-Ek+1-Zk+1)；
(2c11)将步长ρ与第k次迭代的罚参数μk相乘，得到第k+1次迭代的罚参数μk+1；
(2c12)判断迭代过程是否已经收敛，若是，将第k次迭代的重构矩阵Ak作为重构矩阵A，将第k次迭代的分类矩阵Ck分类矩阵C，执行步骤(3)，否则，令k＝k+1，返回步骤(2c1)。
3.根据权利要求1所述的基于增广拉普拉斯算子的微动群目标高分辨成像方法其特征在于，步骤(3b)中构造图拉普拉斯算子L，通过如下公式进行：
L＝I-N-1/2MN1/2
其中，I表示单位矩阵，M表示仿射矩阵；N表示对角矩阵，它的每个对角线元素等于仿射矩阵M对应行的所有元素之和。
4.根据权利要求1所述的基于增广拉普拉斯算子的微动群目标高分辨成像方法，其特征在于，步骤(3c)中用k均值方法对图拉普拉斯算子的特征向量进行聚类，按如下步骤进行：
(3c1)随机选择l个图拉普拉斯算子的特征向量作为聚类中心，其中l表示微动目标个数。
(3c2)依次计算所有特征向量与l个聚类中心的欧氏距离，并将其与之欧氏距离最近的一个聚类中心聚为一类；
(3c3)将(3c2)中得到的每一类特征向量的均值作为新的聚类中心；
(3c4)判断新的聚类中心是否发生改变，若是，则将每一特征向量对应的类别作为对应散射点所属的类别，否则，返回(3c2)。