目标成像是防空反导、空间监视、战场侦察等作战力量的共性核心技术,雷达可全天时、全天候对目标高分辨成像,是获取目标尺寸、结构、运动等物理属性特征信息的重要手段。在军事斗争准备新需求的驱动下,雷达探测成像迎来了新的挑战和发展机遇。本文围绕雷达目标成像面临的新问题开展研究,主要包括如下研究内容和成果:第一章为绪论。介绍了课题研究的背景和意义,重点剖析了雷达探测成像面临的问题和发展趋势,综述了利用分集信息的雷达目标成像技术研究现状,简要介绍了稀疏表示理论在雷达成像中应用的历程。第二章为本文的理论和算法基础。首先介绍了雷达目标稀疏成像的基本原理,着重分析了目标雷达回波的稀疏性并建立了目标雷达回波的稀疏表示模型,在此基础上介绍了雷达目标压缩感知成像的基本概念和原理。然后分四大类综述了压缩感知稀疏恢复的基础算法。最后借助数值仿真比较分析了各算法的性能特点。研究结果为后续章节选择构建结构稀疏恢复的基础算法提供了依据。第三章研究了稀疏随机跳频雷达运动目标成像。首先建立了运动目标回波模型,在此基础上构建了运动目标回波的参数化结构压缩感知模型,并采用包含内外双层的迭代结构求解该模型。利用该模型和算法实现了联合运动误差补偿和成像。此外,提出了四大方面的八个指标评估算法的性能。针对实际中存在的难以事先确定稀疏随机跳频压缩感知雷达所需脉冲数的问题。为了尽可能减少所需的脉冲数目,提出动态高分辨距离成像策略和快速的复数值序贯同伦算法。该算法避免了每获得一个新的观测都要重新求解一个优化问题。实验表明,该算法适合快速的序贯更新,并且比直接利用实数序贯同伦算法所需的脉冲数更少。针对小角度ISAR观测的信息不充分导致成像分辨受限的问题,提出开采并利用数据的相关性和稀疏性先验的思路和方法。在相关性和稀疏性先验的联合利用方面提出了两种算法,一是孔径外推与块稀疏贝叶斯学习接力的方法,实现将数据的相关性先验和稀疏性先验先后折合为观测数据的增加。另一是在稀疏贝叶斯学习的框架下联合建模和利用相关性以及稀疏性先验的方法。仿真数据和实测数据表明这两种方法都能够稳健提高成像分辨率。第四章研究了运动目标全极化高分辨成像。为了获得目标更丰富的特征信息,将稀疏随机跳频高分辨体制与全极化测量体制融合形成了全极化高分辨成像体制。为了去除分时测量中因为目标运动造成的极化散射矩阵不相关,以及补偿运动产生的相位误差,在建立分时和瞬时测量全极化信号模型的基础上,构建了参数化广义结构压缩感知模型和求解算法。采用该算法联合实现全极化高分辨成像和运动参数估计。仿真数据和暗室合成数据表明,采用分时和瞬时测量体制都能够获取高质量的全极化高分辨距离像。针对单一极化小角度ISAR获取的信息不充分导致成像质量不高的问题,提出了全极化小角度高分辨ISAR成像算法。为了提高成像质量,提出开采并利用单极化观测数据的相关性、多通道观测数据之间的相关性以及联合稀疏性等先验信息的思路与方法。为了利用相关性信息,采用多通道孔径外推技术将其折合为未获得的全极化观测。在此基础上,利用块稀疏贝叶斯学习方法建模和利用联合稀疏性,进一步的外推数据。仿真数据和暗室合成数据表明,全极化观测的引入不但可以提取目标的高分辨全极化特征,而且可以提高成像的分辨率。第五章研究了宽视角雷达目标成像。首先根据线性系统理论和层析成像原理,建立了压缩观测统一的信号模型,结合处理网格失配的结构稀疏得到了径向压缩观测统一的稀疏表示模型。根据等效压缩矩阵的特性把压缩观测分为满足压缩感知条件以及不满足压缩感知条件两类。并且在成像算法设计上加以区别对待。针对满足压缩感知条件的压缩观测,提出了径向压缩感知数据获取策略以及混合成像算法。该混合算法首先采用压缩感知稀疏恢复算法重构径向信号,然后利用后向投影成二维图像。在径向稀疏恢复时,将小角度内一维距离像峰值位置缓变性带来的结构稀疏性与处理网格失配的结构稀疏相结合,采用计算复杂度低、具有可准确重构保证的块正交匹配追踪算法,提高压缩感知稀疏恢复精度。该混合成像算法相比二维联合稀疏恢复具有词典维数更低(对应计算和存储复杂度低)、图像质量更高的优点。针对不满足压缩感知可重构条件的一类压缩数据获取方式,如小带宽观测。提出了增强后向投影提高成像分辨率的算法。为了提高后向投影的径向分辨,提出开采和利用同一视角不同频点观测数据的相关性、小角区内观测数据所具有的相关性、小角区内多个视角的一维距离像具有的联合稀疏性以及相关性的方法。为了利用观测数据中包含的相关性先验信息,采用多通道带宽外推将相关性信息折合为观测数据的增加;为了利用联合稀疏性和同一距离单元信号的相关性,采用块内相关性的块稀疏贝叶斯学习方法。仿真实验表明所提方法能够有效提高后向投影算法的分辨能力。第六章总结了全文工作,并给出了值得下一步深入研究的内容。