合成孔径雷达成像(Synthesis Aperture Radar，SAR)是对地观测中的一种重要手段。借助平台的运动，雷达向目标发射脉冲信号同时不断接收目标反射的回波，根据回波信号计算目标的复散射系数来完成成像，成像过程不会受到恶劣天气的影响，具有全天候、全天时成像等诸多优点。由于高分辨的雷达影像能够提供更多的目标信息，提高雷达的分辨率一直是SAR技术发展的主要方向之一。为了能够在有限的计算和存储资源下获得高分辨的雷达影像，基于压缩感知(Compressed Sensing,CS)理论的稀疏成像已经成为当前研究的热点。压缩感知理论指出：对于稀疏信号，通过求解非线性稀疏约束优化问题，能够用较少的观测值精确恢复出高分辨信号。因此，稀疏场景下的压缩感知成像技术得到快速发展。　　然而，实际场景是包含各种地物及目标的复杂场景且具有独特的斑点噪声，较难对雷达回波信号实现理想的稀疏表示。首先，SAR接收回波信号是两路正交的复数信号，现有的稀疏重构算法对复数信号的恢复都不够理想。同时，在线性模型下现有的字典表示方法如DCT等正交字典对复数数据的稀疏表示也存在问题。另一方面，由于字典训练的样本有限，信号的稀疏性在线性模型下并没有得到充分的挖掘，因此在线性模型下极少数成像区域能获得稀疏的描述，使得重构所需的观测值也就更多。此外，合成孔径雷达的成像范围较广覆盖很大的区域，但真正感兴趣的目标区域可能只占一小部分，如果都进行高分辨成像无疑会浪费大量资源。研究基于目标驱动的成像模式就可以降低非感兴趣区域成像的复杂度。针对上述问题，本文研究了基于复杂场景的稀疏SAR目标成像，具体工作如下：　　（1））设计了基于字典学习与解耦联合OMP的复杂场景稀疏SAR成像算法。合成孔径雷达收到的回波信号为复数数据，无法直接采用现有的稀疏重构算法。针对该问题，提出了对复数回波信号进行解耦操作后的联合OMP稀疏重构算法。该算法解决了实数重构算法获得的目标质量不高的问题，同时在点目标重构中有更好的成像质量和更高的TBR。此外，针对复杂场景SAR提出了改进的KSVD字典训练方法。实验效果表明，基于字典学习与解耦联合OMP的成像算法在复杂场景下可以获得高质量的成像结果。　　（2）设计了基于非线性模型的复杂场景稀疏SAR成像算法。在线性压缩感知中，由于字典训练的样本有限，信号的稀疏性在线性模型下并没有得到充分的挖掘，信号的采样率在线性模型下虽有所降低，但在一些特定背景下，如数据存储空间十分有限、平台计算能力不是很高等情况下需要进一步降低信号的采样率来满足特定的要求。基于非线性压缩感知的成像方法通过将原信号变换到高维的特征空间中来进行稀疏表示，在高维的特征空间中信号可以有更好的稀疏度，从而可以更充分地挖掘信号本身的稀疏性，更为有效的降低信号的采样率，同时高质量地重构原信号。本文通过非线性压缩感知框架，研究了非线性模型下影响信号恢复的因素，设计了针对SAR成像的观测矩阵，当信号的采样率降低到10％时，在非线性框架下可以获得很好的成像结果。在线核字典学习方法可以实时获得更好的过完备字典，更好地对信号进行稀疏表示，但由于雷达平台往往存储空间有限，需要控制训练字典的大小同时还要在原有的训练样本基础上不断增加新的训练样本，本文通过设计新的样本稀疏化和剪枝策略，实现了较好的成像结果。　　（3）设计了目标驱动的复杂场景稀疏SAR两步成像算法。随着合成孔径雷达分辨率的提高，对目标区域细节的要求也越来越高，但合成孔径雷达的区域一般较大，对整幅区域高分辨成像会带来资源的浪费。因此，第一步成像中先对区域低分辨率成像，之后采用分割算法确定候选目标区域，使用自适应判别字典学习方法进行目标识别，准确定位出感兴趣目标；第二步对目标区域进行高分辨成像。该算法不仅有效节省了采样资源，而且增强了目标信息，有益于后续的目标处理。