合成孔径雷达（Synthetic Aperture Radar,SAR）在军事领域和民用领域都扮演着十分重要的角色,但传统SAR对地面运动目标检测和跟踪过程中存在不足。随着研究的深入,近年来,一种新型体制的雷达视频SAR逐渐受到相关领域学者的广泛关注。视频SAR不仅能够进行高分辨率成像,还能够形成高帧率的序贯图像,以其能够以视频模式成像,并对目标区域持续监测,视频SAR在运动目标检测和跟踪方向具有极大的优势。传统模式SAR通过对目标散射能量直接进行检测,但在视频SAR模式下,目标运动会使其能量发生散焦,在其真实位置留下阴影,因此可以通过对阴影进行检测达到对运动目标检测的目的。但视频SAR图像一些散射强度低的区域和受遮挡的一些高程目标等都会产生阴影对运动目标检测造成影响。另外在跟踪的过程中,目标散焦能量在图像中无规则地运动,致使传统跟踪方法无法顺利跟踪目标。对此本文针对运动目标检测问题提出了一种新的检测方法,并将深度学习中算法与目标跟踪相结合,本文涉及的主要工作如下:1、针对聚束模式视频SAR分辨率和帧率进行分析,通过阐述圆迹模式视频SAR原理和BP算法原理,使用步进频信号基于BP算法进行视频SAR高分辨率成像仿真。另外,研究了视频SAR中运动目标阴影产生的原理,并对静止目标阴影特性和运动目标阴影特性进行分析,利用基准图进行仿真。2、针对运动目标检测问题,利用高斯混合模型,提出了一种新的运动目标阴影检测方法。该方法利用运动目标在其真实位置留下的阴影进行检测。使用美国Sandia实验室提供的视频SAR成像结果数据,截取部分图像帧,通过预处理、阈值分割、高斯混合模型、形态学处理等步骤成功地检测出图像中的运动目标。并对影响检测的几种滤波算法进行对比分析。3、针对运动目标跟踪问题,运用了深度学习中监督学习的方法。通过对Re3网络进行研究,对实验数据进行整理、标记,对网络进行训练,并分析了使用不同损失函数对结果产生的影响。使用测试集测试训练结果,分析了效果不佳原因,对其进行改进。最后,通过与MDNet网络训练结果进行对比,验证了算法可行性,能够顺利对运动目标进行跟踪。