Данная работа посвящена обзору существующих алгоритмов моделирования радиолокационных изображений, их сравнению и применению для дальнейшего использования в других областях. Предметом исследования является синтез радиолокационных изображений (далее РЛИ). В ходе обзора классических методов, а также методов на основе глубокого обучения был сделан вывод о том, что для синтезирования наиболее подходящими являются три метода: классический метод синтеза пространственно-некоррелированного и коррелированного спекла, матрица Грама и генеративно-состязательная сеть, поскольку данные методы просты в реализации и имеют самые большие шансы на успешный результат. Первый метод предполагает синтез спекла с необходимым распределением, второй – перенос стиля одного изображения на другое при помощи матриц Грама, третий – использует нейросеть, которая обучалась на наборе данных из 3000 изображений, для генерации новых изображений. Все методы были реализованы в среде MATLAB. Была получена оценка выходных изображений при помощи построения гистограмм, а также функции распределения были проанализированы с помощью критериев Колмогорова-Смирнова и хи-квадрат для трех уровней значимости: «0,01», «0,05», «0,1». На основе полученной оценки при помощи вышеперечисленных критериев делался вывод об эффективности реализованного метода для поставленной задачи. Методами, которые удовлетворяют условиям, оказались классический метод синтеза спекла, а также матрица Грама при использовании коррелиро-ванного спекла.

This work is devoted to the review of the existing algorithms of radar images modeling, their comparison and application for further use in other areas. The subject of the study is the synthesis of radar images. During the review of classical methods, as well as methods based on deep learning, it was concluded that three methods are most suitable for synthesis: the classical method of synthesis of spatially uncorrelated and correlated speckle, the Gram matrix and the generative-adversarial network, since these methods are easy to implement and have the greatest chances of a successful result. The first method involves the synthesis of speckle with the necessary distribution, the second – the transfer of the style of one image to another using Gram matrices, the third – uses a neural network that was trained on a data set of 3000 images to generate new images. All the methods were implemented in the MATLAB environment. The output images were evaluated using histograms, and the distribution functions were ana-lyzed using the Kolmogorov-Smirnov and chi-square criteria for three levels of significance.: "0,01", "0,05", "0,1". Based on the obtained assessment, using the above criteria, a conclusion was made about the effectiveness of the implemented method for the task. The methods that satisfy the conditions were the classical method of speckle synthesis, as well as the Gram matrix using correlated speckle.