高分辨成像系统是SAR发展的一个重要方向，具有广泛的应用。以Nyquist采样定理为基础的信号处理方法使高分辨雷达面临着采样率高、数据量大、数据传输、存储以及快速处理困难等问题。寻找新的数据采集和信号处理方法成为SAR发展的迫切需求。近年来出现的稀疏信号处理理论－压缩感知(Compressive Sensing, CS)理论在降低雷达系统的采样要求、弥补雷达数据自身的缺失、改善雷达成像质量等方面有着巨大的潜力，引起了国内外学者的高度重视，出现了一批研究CS理论在雷达成像方面应用的文献。但是CS理论在雷达成像中的应用是一个崭新的领域，还处在起步阶段，许多问题需要进一步研究。本文以CS基本理论和基于CS理论的雷达成像方法为核心，重点围绕CS理论中采样矩阵的优化、基于CS理论的雷达成像中的稀疏字典构建方法、随机数据获取方法、高效稳健的重构算法以及CS理论在SAR图像压缩中的应用等问题进行了较为系统和深入的分析研究，主要工作和主要贡献总结如下：在CS理论方面，着重研究了采样矩阵的优化方法，提出了一种基于等三角框架设计的采样矩阵优化方法。等三角框架具有最小的相关性，因此基于等三角框架设计的优化方法能有效的降低采样矩阵与稀疏矩阵的相关性，从而提高CS重构算法的稳定性以及精确度，使CS理论适用范围更广。深入研究了CS理论在雷达成像中的应用。通过对雷达回波信号的分析，建立了去斜体制和匹配滤波体制下的雷达回波信号稀疏表示模型；提出了一种利用低速率的周期非均匀A/D采样器实现的随机采样方法，实现了对距离向雷达回波信号的实时测量。在一维距离向高分辨成像中采用了一种具有频率依赖特性的几何绕射模型，在得到目标散射系数的同时还能得到目标的散射类型信息；将CS理论应用到稀疏孔径雷达成像中，提高了成像算法对数据缺失的稳定性；将CS理论应用到聚束式SAR成像中，采用基于贝叶斯理论的重构方法，在实现高分辨成像的同时提高了算法对噪声的稳健性。研究了基于CS理论的运动目标速度-角度参数联合估计方法和基于CS理论的运动目标成像方法。基于CS理论的方法将速度-角度参数的估计转化为一个多测量向量问题，从而能够用联合稀疏约束的优化方法方便的实现速度-角度参数的联合估计。基于CS理论的方法将运动目标的成像问题转化为目标运动参数的估计问题，对于运动速度不同的多个目标可以同时处理，在得到目标运动参数的同时还能够得到目标的初始位置，而且对位于同一像素的不同运动速度的目标也能够有效成像。研究了基于CS理论的SAR图像压缩方法，包括基于贝叶斯匹配追踪的SAR图像重建方法和基于K-SVD字典学习的SAR图像压缩方法，有效的提高了图像压缩效果。基于贝叶斯匹配追踪的SAR图像压缩方法采用一种分层CS结构，实现了SAR图像MMSE意义下的重构。基于K-SVD字典学习的SAR图像压缩方法采用训练的方法得到能够更加逼近图像自身特性的稀疏表示字典，从而达到更好的稀疏表示结果。总体来说，本文围绕CS理论及其在雷达成像中的应用展开了深入研究。CS理论本身所具有的压缩采样特性有望解决高分辨雷达所面临的海量数据的采集、传输与存储问题。同时，基于CS理论的成像方法能够简化雷达系统，为取消雷达接收端的匹配滤波器、降低对接收机所必需的高速A/D转换器的要求提供了契机。