穿墙雷达成像(Through-the-wall Radar Imaging,TWRI)是近年来研究的热点,它能对障碍物后方的区域进行定位与成像,因此广泛地应用于城市反恐、灾后救援和生命特征提取。高分辨率是雷达成像一个重要的指标,一般通过两个方法来实现:一是增大发射信号的带宽,二是增加天线孔径。传统的相干成像算法会造成海量数据,增加运算成本。将压缩感知(Compressive Sensing,CS)应用于雷达成像成为了一种新型的成像技术,其利用场景的稀疏性,通过少量的采样数据得到高分辨率图像。本文基于CS理论,对穿墙雷达成像展开了以下三个方面的研究:(1)在雷达成像和压缩感知理论的基础上,建立起目标回波信号,实现稀疏采样模型,以正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)、贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)和总变分(Total Variation,TV)算法为例,分析基于CS成像的重构过程。与传统的相干成像算法相比,基于CS的雷达成像方法减少了计算量,得到的图像旁瓣杂波少、分辨率高。仿真实验从成像质量和运行时间分析三种重构算法的优点和缺点,还分析了不同稀疏度、不同对比度情况下的成像质量,验证了基于CS成像的性能。(2)其次,本文对墙体参数未知情况下的成像方法展开了研究。在传统CS成像方法中,墙体参数是已知的,可以直接构造字典矩阵,重构出目标信号。然而在实际应用中,墙体参数是无法获得的,这使得CS理论不能直接应用于目标信号的重建。本文针对墙体参数未知时的自聚焦成像方法提出了参数化稀疏表征的成像方法。通过构造参数化字典矩阵,墙体参数得到不断修正,实现目标信号的最优稀疏表征。该方法将稀疏重构和墙体参数估计同时作为优化目标,则稀疏重构转化为联合优化问题。为了求解联合优化问题,本文提出了两类方法:第一类是基于全局搜索的目标重建方案。在给定的墙体参数范围中进行搜索,通过对比度评价图像质量。第二类是交替迭代方法,在迭代框架中,稀疏重构和墙体参数修正两部分交替进行。稀疏重构部分通过正交匹配追踪算法获得,墙体参数修正部分通过最小二乘法或共轭梯度法获得。当墙体参数最优时获得聚焦图像。本文提出的两大类方法均可获得与仿真中墙体参数相近的成像结果。(3)最后,本文针对多径虚像的抑制方法进行了讨论。在室内环境中,由于四周墙体的存在,电磁波不仅会在目标与天线之间传播,还会在内墙、地板与天花之间产生多次反射,形成多径。这些多径信号可能在成像过程中产生虚假目标,影响目标的识别。根据CS理论,每一个传播路径可以通过一个观测矩阵表示,字典矩阵由多条路径的观测矩阵组成,通过CS重构算法进行图像重建,抑制多径信号。在此基础上,通过梯度稀疏分析分段常数目标(块状目标)。本章从“多径抑制+块状目标”两个点出发,提出了一种基于TV-CS的多径抑制方法。仿真实验表明基于TV-CS的多径抑制方法能有效的抑制虚像,重构出目标轮廓,获得高质量的成像结果。