合成孔径雷达（Synthetic Aperture Radar,SAR）作为一种全天时、全天候的高分辨微波遥感设备可进行目标探测识别,在SAR成像过程中,有效的目标特征增强可以显著提升SAR目标识别准确性。传统的SAR成像算法基本依赖于傅里叶变换,大致可分为两类:多普勒处理和反向投影,二者都面临成像分辨率受带宽限制的问题、且目标中强散射点的旁瓣会淹没弱散射点的主瓣,难以实现指定特征增强的效果,造成目标检测与识别结果的准确性降低。压缩感知技术能完成稀疏驱动下的特征恢复,可实现目标的稀疏特征增强,但单一的稀疏特征增强面临着损失目标弱散射结构特征的问题,且无法并行解决SAR成像过程中无法避免的误差补偿问题。虽已有部分多特征增强算法,但其或计算量大,无法适用于SAR场景数据,或受算法本身影响,精度有限。因此,进行面向多特征增强的雷达成像多任务学习技术研究势在必行。本文针对高分辨SAR成像中的多特征协同增强优化问题,建立充分考虑方向性相位误差和非系统距离单元徙动的原始回波信号模型。从分类和聚类两个角度对成像目标的固有特征进行表征,充分利用交替方向乘子法的可分解性和保相性,建立多任务学习框架,以完成SAR成像目标的多特征协同增强。主要工作如下:1.充分考虑SAR成像过程中的非系统性运动误差,建立面向静止目标模式和地面移动目标成像（Ground Moving Target Imagery,GMTIm）模式的通用回波信号模型。机载SAR工作中受大气湍流等不确定因素影响会产生相对预期轨迹的运动偏移,这种相对目标的运动偏移以方位向相位误差（Azimuth Phase Error,APE）和非系统距离单元徙动（Non-system Range Cell Migration,Ns RCM）的形式体现在回波数据中。考虑到接收数据不完备的可能性,结合压缩感知利用降采样数据进行目标恢复的思想,立目标稀疏恢复问题模型。并以该模型为基础,建立高分辨SAR目标特征增强模型。2.建立基于交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）的ADMM多任务学习框架。挖掘ADMM的“分解-调和”思想,首先进行变量分裂,建立多特征分裂变量,依照各正则项性质与原理,利用不同的正则项进行特征表征。推导各个特征解的解析表达式,最后进行调和过程,实现目标的多特征协同增强。3.研究SAR目标的稀疏协同聚焦特征联合增强成像技术。利用l1范数表征目标稀疏特征,稀疏特征的增强过程中,散射点之间相互独立,因此可以视为分类特征的增强。推导熵范数表征聚焦特征,并通过构建代价函数解决熵范数的非凸导致的难以求解最优值的问题。熵范数的更新可避免算法在迭代过程中对误差的敏感问题。在ADMM多任务学习框架下,进行l1范数表征的稀疏特征与熵范数表征的聚焦特征的联合求解,实现SAR目标的稀疏和聚焦特征协同增强成像。用多组数据验证所提算法在协同增强稀疏特征和聚焦特征上的有效性。再与其他算法进行对比,通过绘制恢复数据图像特显点的二维等高线图等实验,从定量的角度验证所提算法的性能。4.研究SAR目标分类特征协同聚类特征增强技术。从SAR回波数据本身的信息出发,依靠其本身结构的聚类信息,针对不同的结构特征构建目标的结构表征正则子。利用结构张量全变分（Structure Tensor Total Variation,STV）的感知结构能力,表征目标整体结构特征,并利用韦达定理实现结构张量特征值与迹、行列式的等效转化,以简化计算量。面向目标方向性结构,利用方向广义全变分（Direction Total Generalized Variation,DTGV）进行表征,其依靠自适应尺度变换因子与方向旋转矩阵可贴合方向性分布明显的目标结构。利用高阶方向全变分（High-order Total Direction Variation,HOTDV）表征目标复杂结构特征,其依靠散射点周围的高阶梯度信息,可实现目标复杂结构的恢复。在ADMM多任务学习框架下,实现由目标梯度信息表征的结构特征,l1范数表征的稀疏特征和熵范数表征的聚焦特征的协同增强。应用多组数据验证方法有效性,利用相变分析法对比其他算法,以验证所提算法在增强SAR目标分类协同聚类特征的优越性。