利用综合孔径微波辐射计（SAIR）系统进行目标探测，具有隐蔽性好、可全天时工作、基本不受天气和战场烟尘环境影响等优点，并且无需扫描即可瞬时高分辨成像，因而成为目标探测领域的研究热点。高质量亮温图像的实时获取和有效的目标检测算法是开展综合孔径微波辐射计目标探测研究的关键技术与难点。本文以机器学习理论为基础，从研究SAIR亮温图像反演问题的本质出发，详细地分析了SAIR反演问题的模型选择问题，提出了实时高质量的SAIR亮温图像重建方法，并结合综合孔径微波辐射计反演图像的统计特性，研究适用于综合孔径微波辐射计探测空中目标的背景抑制及目标检测方法。主要研究内容包括：从统计学的角度分析了现有的SAIR亮温反演方法，指出了现有SAIR反演方法的本质问题为机器学习的模型选择问题；并指出了现有的亮温反演方法在最优正则化参数的确定以及实际风险最小化的困难。从贝叶斯框架分析了现有的SAIR反演方法，指出了现有SAIR反演方法中关于亮温分布和可见度采样的潜在统计特性。在分析SAIR反演问题的统计模型的基础上，提出了一种基于贝叶斯回归估计的SAIR亮温图像实时反演方法。基于贝叶斯模型选取原理，将先验概率引入至SAIR亮温图像反演的学习过程中，建立了SAIR反演问题的贝叶斯学习模型；推导了模型参数的估计方法。与现有的SAIR方法相比，该方法能在保证反演性能不下降的情况下实时地进行亮温图像重建。分析了SAIR亮温反演问题实际风险的界，指出结构风险最小化原则比经验风险最小化原则更适合SAIR亮温图像反演。在通过主成分分析和偏最小二乘法建立SAIR亮温反演的稀疏回归模型的基础上，分别从确定性和贝叶斯观点提出了两种基于结构风险最小化的SAIR亮温重建方法。前者通过控制不敏感因子来实现结构风险最小化，类似于传统的SAIR正则化反演方法，需要人为选取最优模型参数；后者通过控制先验概率来实现结构风险最小化，可以自动地完成最优模型的选取。同经验风险最小化原则的SAIR图像反演方法相比，该方法具有更小的噪声扩展性能以及更低的计算复杂度。建立SAIR目标检测的数学模型。利用SAIR图像的统计特性，结合高斯混合模型、核回归方法，提出了一种基于稳健核回归的SAIR目标检测算法。通过高斯混合模型，建立最优的SAIR背景估计风险泛函；利用核回归思想，在特征空间中最小化SAIR背景估计风险泛函，实现对SAIR亮温图像复杂背景的抑制和弱小目标检测。本论文提出的基于机器学习的SAIR图像反演和目标检测方法均经过了严密的理论推导、仿真以及实验的验证，具有良好的实用前景。