合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术具有全天时、全天候、可以穿透覆盖物等优势,在军事和民用领域发挥了重要用途。对于SAR运动目标成像,传统成像算法无法实现运动目标高分辨和精确成像,会出现成像模糊、旁瓣增大等问题,导致成像质量下降。基于此,本文研究基于深度学习的SAR运动目标成像方法,主要内容包括以下几个方面:首先,建立机载SAR静止目标与运动目标成像几何模型,简单阐述SAR经典距离多普勒（Range Doppler,R-D）算法原理以及实现流程,分析了目标运动对SAR成像的影响,并进行仿真实验。其次,针对SAR运动目标成像存在散焦、模糊问题,提出了基于R-D算法和级联神经网络结合的SAR运动目标成像算法,其中R-D算法对回波数据进行粗补偿得到预处理图像,然后通过级联神经网络得到高分辨图像。为了增加网络的泛化能力,在构造训练集时分别采用随机点目标及面目标（MNIST数据集）作为场景目标产生雷达回波数据。此外,增加了通道数据处理模块滤除运动目标图像信息中无用特征和有选择性加强重要通道信息以加速网络收敛速度。为了进一步证明级联神经网络的鲁棒性,对成像场景中含随机噪声和回波缺失情况进行了仿真实验,测试结果表明所设计的级联神经网络在复杂环境下依然能得到高分辨SAR运动目标图像。最后,对基于卷积神经网络（Convolutional Neural Networks,CNN）的雷达成像系统（回波数据域--图像域--CNN）做出优化,本文提出了直接回波数据域到CNN的处理方法。该方法先利用ω-K算法对雷达回波数据进行粗补偿得到二维频谱形式,然后通过CNN对运动目标进行聚焦成像,得到了清晰的SAR图像。