轨道角动量（Orbital Angular Momentum,OAM）提供了一种新的自由度,大幅提升了电磁波的信息承载量,近年来已经掀起国内外研究的热潮。携带轨道角动量的涡旋电磁波波前具有非平面结构,使用单个波束照射目标时将形成具有差异性的辐射场激励,提高了电磁波的信息获取能力,有望进一步提高成像分辨率。然而,大气湍流会降低涡旋电磁波的模态纯度,在成像时引入相位误差,导致重建目标散焦。该文旨在利用深度学习来提升受大气湍流影响的雷达成像质量。该文研究内容主要如下:首先,介绍了利用阶梯相控均匀圆阵（Uniform Circular Array,UCA）产生涡旋电磁波的方法,并分析其辐射强度、相位分布以及OAM模态分布规律。在此基础上,研究基于多发多收阵列配置的电磁涡旋雷达成像的回波模型和傅里叶变换成像法的处理过程。其次,深入研究适用于微波波段的大气湍流理论,采用Kolmogorov谱的功率谱密度函数和功率谱反演法构造随机相位屏。针对大气湍流的多变性,使用多相位屏法遍历传播路径上的湍流环境,建立涡旋电磁波在大气湍流中的传输模型,分析不同传输条件下大气湍流对涡旋电磁波的影响,并通过相位分布、模态能量变化和轨道角动量谱分解进行表征。考虑到大气湍流具有很强的随机性,该文利用深度学习强大的信息捕获能力提出一种基于改进的U-net网络的湍流抑制方法,可以有效解决大气湍流引起的涡旋电磁波波前失真问题。最后,根据电磁涡旋雷达成像原理建立大气湍流环境下的回波模型,分析模态串扰导致重建目标散焦的机理。针对散焦问题,该文提出一种基于深度学习的电磁涡旋成像算法,利用卷积神经网络（Convolution Neural Network,CNN）对每个回波进行波前校正,提高模态纯度,减轻模态串扰现象,然后再对回波进行成像处理,通过实验验证了该方法的可行性。