空中及空间目标的高分辨逆合成孔径雷达(ISAR)图像蕴含其形状、尺寸等重要信息,因此成像质量直接影响后续特征提取与自动目标识别的准确性。实际情况中,ISAR成像往往面临着回波信噪比低,数据缺损,存在随机相位误差,目标机动等难题,从而严重影响基于傅里叶变换的传统成像方法性能。由于基于稀疏贝叶斯学习的ISAR成像方法能够充分利用目标散射点和环境的统计信息,因此为解决上述复杂观测条件下的ISAR高分辨成像难题提供了新途径。论文重点开展基于稀疏贝叶斯学习的高分辨ISAR成像方法研究,具体内容包括:稀疏成像建模与概率图建模;基于稀疏贝叶斯学习的平稳目标高分辨成像;基于稀疏贝叶斯学习的机动目标高分辨成像等。相关研究充分发掘了目标ISAR回波所蕴含的稀疏性,提出基于稀疏贝叶斯学习等先进机器学习理论的高分辨ISAR成像方法,实现了复杂观测条件下的平稳和机动目标高分辨成像。课题相关研究为提高我国成像雷达对空间目标的探测与成像能力提供了理论与技术支撑。本文主要内容主要包括三个部分:第一部分研究基于Gamma-Gaussian先验的高分辨ISAR成像。首先建立了回波信号的稀疏观测模型,然后通过对散射中心分布引入Gamma-Gaussian先验构建概率图模型,进而给出基于期望最大(EM)和变分贝叶斯推断(VBI)的模型参数估计方法,并分析比较了二者性能。在此基础上,提出基于VBI与最大似然(ML)估计的高分辨成像与随机相位误差校正方法。最后,用蒙特卡洛实验和实测数据ISAR成像结果验证了所提算法的有效性。第二部分研究基于spike-and-slab先验的高分辨ISAR成像。为进一步提高对数据描述的灵活性,提高稀疏重构精度,通过对散射中心分布引入spike-and-slab先验构建概率图模型,进而提出基于期望传播(EP)的后验分布推断方法实现散射中心的稀疏重构。在此基础上,提出基于EP与ML估计的高分辨成像与随机相位误差校正方法。最后,用蒙特卡洛实验和实测数据ISAR成像结果验证了所提算法的有效性。第三部分研究基于稀疏贝叶斯学习的低信噪比机动目标ISAR成像。首先建立了机动目标回波的稀疏观测模型。其中,将旋转速度与旋转加速度作为参数构建参数化过冗余字典。然后,对模型引入Gamma-Gaussian先验并构建概率图模型,进而提出基于VBI与ML估计的高分辨成像方法与字典参数估计方法。最终,采用仿真实验以及实测数据证明了算法的有效性。