合成孔径技术可将较小孔径的真实天线合成较大孔径的虚拟天线,从而实现大天线的高分辨探测效果。该技术首先应用于雷达成像领域,即合成孔径雷达（Synthetic Aperture Radar,SAR）成像。SAR是一种适用于全天时、全天候条件的成像雷达,广泛应用于军事和地球遥感探测。而随着合成孔径技术的进一步发展,合成孔径技术也逐渐应用于雷达测高中,因此延时多普勒高度计（Delay Doppler Altimeter,DDA）应运而生。相对于传统雷达高度计,DDA拥有更高的测高精度。然而,SAR和DDA在实际工作过程中,其处理算法很大程度上影响了成像和测高分辨率的高低。在SAR成像方面,传统成像处理算法主要依赖于离散傅里叶变换处理,分辨率受带宽限制。压缩感知技术的发展,打破了奈奎斯特采样定理的限制,因而可实现超分辨SAR成像。同时,基于压缩感知技术的贝叶斯学习SAR成像方法成为当前研究热点。然而,当前贝叶斯学习方法存在以下两个问题:1)先验固化缺乏灵活性,导致成像结果容易过拟合;2)成像先验单一,无法表征丰富的成像目标特征。而DDA测高方面,传统的最小二乘等测高估计算法,未充分考虑测高回波先验特征,导致测高精度受限。因此,针对贝叶斯学习SAR成像中存在的先验固化和先验单一问题,本课题分别提出基于灵活先验和基于混合先验的超分辨特征增强成像方法。针对DDA测高精度受限问题,本课题提出基于贝叶斯学习的测高估计算法。具体研究内容分为以下三点:1、针对贝叶斯学习SAR成像过程中先验固化缺乏灵活性问题,本文提出一种灵活先验贝叶斯学习超分辨SAR成像算法。在该算法中,先验建模为灵活的广义高斯分布,通过贝叶斯分层和贝叶斯推断框架推导成像目标的后验分布。考虑到后验分布较为复杂且可能为非平滑函数问题,引入哈密顿蒙特卡洛（Hamiltonian Monte Carlo,HMC）采样算法并使用近端算子（Proximal operator）替代其梯度,构建改进型近端-哈密顿蒙特卡洛（Proximal Hamiltonian Monte Carlo,PHMC）算法,完成自学习采样求解,从而获得超分辨SAR特征增强成像结果。实验部分,仿真与实测数据实验结果均具有较高成像分辨率,证明了所提灵活先验贝叶斯学习成像算法的有效性。2、针对贝叶斯SAR成像中先验单一,无法表征丰富成像目标特征的问题,本文提出一种基于混合先验的分解-调和贝叶斯（Decomposition-Coordination Bayes,DC-Bayes）SAR成像算法。在该算法中,混合先验由拉普拉斯分布与表征区域块稀疏特征的指数全变分（Total Variation,TV）分布乘积构成,可表征丰富而有用的成像场景特征。由于这一混合先验建模获得的后验分布十分复杂,常规马尔科夫链蒙特卡洛（Markov chain Monte Carlo,MCMC）随机模拟采样算法无法求解,因此,本文提出一种分解-调和贝叶斯求解框架,该框架中,分解步骤可将混合特征SAR成像问题分解成两个局部单一先验成像子问题,并分别求解;而调和步骤通过引入的对偶变量将两个局部子问题进行调和,以实现全局成像模型的有效求解。实验环节,仿真与实测数据分别进行成像实验,成像结果证明了所提混合先验DC-Bayes成像算法的有效性。3、在DDA测高方面,本文针对机载DDA测高过程中,传统重跟踪算法测高精度受限问题进行研究,提出一种基于MCMC采样方法的贝叶斯学习测高估计算法。在该算法中,DDA回波高程参数建模为拉普拉斯分布,在高斯似然的假设下,通过贝叶斯分层模型完成后验分布推导,并引入哈密顿蒙特卡洛等MCMC采样方法进行测高参数估计。贝叶斯学习测高估计算法相对于传统算法而言,充分利用了高程参数先验特征,可进一步提升DDA测高精度。仿真与实测数据均表明所提算法相对于传统测高算法具有更高的测高精度,客观上证明了所提贝叶斯学习DDA测高算法的有效性和测高精度方面的优越性。