穿墙雷达技术凭借电磁波的低频穿透特性,可对墙后物体进行定位、识别与成像,在军事与民用领域具有广泛应用。而在探测中由于墙体等杂波的影响,对电磁波传播造成衰减,大大削减了目标回波强度,给目标探测定位和成像带来很大困难。意味着对墙体杂波的抑制成为首要任务,现有的传统杂波抑制方法对墙体的滤除和其它噪声的去除不能达到并存的效果,仍然存在目标低信噪比的情况。因此,本文提出一种自适应卷积神经网络的方法对雷达信号中墙体杂波进行抑制并利用深度学习成像方法对目标进行重构。本文的研究内容如下:首先,介绍了TWR技术及应用的研究背景与意义,并系统地从穿墙雷达成像、杂波抑制方法和深度学习成像三个方面描述了国内外相关研究现状。并通过研究TWR成像的原理和电磁波的传播机理,确定本文超宽带穿墙雷达的工作机制以及通过gpr Max仿真平台并基于FDTD方法电磁仿真;还研究了电磁波在墙体内幅度衰减与色散影响、传播形式与速度影响等。其次,针对墙体杂波抑制问题提出一种基于奇异值分解的自适应神经网络方法（即Resvd-Net）,改变了先前的滤波思想,将原雷达回波信号处理问题转化为基于深度学习的目标回波与杂波的识别分类问题,采用阈值分割技术对两个子空间的奇异值分割来将两个回波子空间分离,再对目标回波进行去噪处理得到干净的目标回波数据图。最后证实了该方法抑制效果高于两种传统方法,并且通过目标杂波比指标的数值进一步进行验证。最后,针对穿墙雷达物理场景图像进行重建问题,进一步提出一种基于深度学习的成像方法,借助压缩感知的思想对原始数据压缩预处理后传入神经网络进行训练学习,分别对杂波抑制前后的回波数据进行重构,经过网络重建出相对精度较高,还原性较强的成像结果,并通过均方根误差指标的数值进一步证实了其重构质量优于几种传统成像方法,而且在杂波抑制之后得到的成像结果更加清晰且还原真实度更高。