视频SAR技术是当前SAR领域的研究热点之一。与传统SAR相比,视频SAR能够以高帧率、高分辨率获取监测区域的连续图像序列,实现高帧率微波成像效果,并以动态方式直观反映监测区域场景及目标运动状态变化。当前视频SAR系统主要对监测场景进行统一成像,不会针对运动目标进行运动补偿、聚焦等处理,因目标运动形成的暗色阴影能够反映目标的真实位置和状态信息。因此研究视频SAR目标阴影特性以及如何有效地利用阴影进行动目标检测与跟踪具有重要意义。本文基于视频SAR阴影特性开展动目标检测与跟踪技术研究,主要研究内容和贡献如下:（1）研究了圆周聚束式模式下的视频SAR成像原理和视频SAR阴影特性。通过数学公式推导分析了影响成像帧率的主要因素,建立数学模型分析了视频SAR图像序列中阴影的形成原理与特性,比较了静止目标阴影与运动目标阴影形成的异同点,说明视频SAR中阴影可以反映目标的真实位置,并分析了使用阴影进行动目标检测与跟踪的可行性。（2）构建了可用于检测与跟踪的视频SAR数据集。针对目前公开的视频SAR数据较少的问题,尤其是基于深度学习的视频SAR数据集更少,本文利用美国桑迪亚国家实验室公开的视频SAR数据和另外一个实测的视频SAR数据,构建了可用于检测和跟踪的视频SAR深度学习数据集。（3）研究了基于深度学习的视频SAR阴影检测方法。针对目前SAR领域最常用及最具代表性的Faster-RCNN和YOLO两种检测网络存在检测流程复杂、需要手工设计组件等问题,本文提出了一种基于Transformer编解码网络的视频SAR阴影检测框架,该框架无需anchor设计和NMS后处理,简化了检测流程。通过使用图像直方图均衡、多层特征融合、变形卷积和改进的通道注意力模块提高了阴影检测性能,所提出的方法在SNL视频SAR数据和额外的视频SAR数据上均取得了良好的动目标阴影检测效果。（4）研究了联合检测与数据关联的视频SAR多目标跟踪方法。针对现有的多目标跟踪方法通常只筛选高分检测结果并与卡尔曼滤波预测结果进行简单数据关联导致跟踪性能较差的问题,本文使用了一种低分检测框关联算法,并以此构建了视频SAR多目标跟踪框架,在SNL视频SAR数据上的实验结果验证了所提出的多目标跟踪方法的有效性。另外,在视频SAR仿真数据上的实验表明提升视频SAR图像质量可以有效地提高动目标阴影检测与跟踪的性能。