穿墙雷达凭借其穿透非金属建筑材料的能力,可在非接触和非破坏性的条件下实现对墙后或封闭室内隐蔽目标的探测、定位及成像,广泛用于民用及军事等领域。然而,墙体反射所产生的强杂波会掩盖墙后目标的反射信号,影响目标成像精度和检测性能,此外现有的穿墙雷达成像方法在模型建立和优化求解过程中存在计算代价高、人工干预过多以及成像精度低等问题。因此本文将雷达稀疏成像的优化求解策略展开到深度网络结构中,采用端到端学习策略高效解决穿墙雷达成像问题,主要研究工作总结如下:首先,从穿墙雷达的接收信号模型和电磁波的传播机理出发,介绍了不同雷达信号的特点以及穿墙雷达的探测体制,剖析了探测过程中电磁波传播的特点,并采用了穿墙雷达成像领域中几种典型的成像方法对墙后目标成像,如后向投影法、凸优化法以及正交匹配追踪算法,为后续工作提供成像理论基础。其次,提出了迭代软阈值优化算法启发的深度展开网络,实现基于可学习网络的穿墙雷达稀疏成像方法。在基于稀疏表示的穿墙雷达成像问题中,通常采用“先杂波抑制,后图像重建”两阶段策略来分别解决墙体杂波抑制和图像重建问题。因此本文先采用背景对消法抑制墙体杂波,再根据稀疏表示理论构建了面向雷达成像的线性逆问题的求解模型,利用迭代软阈值算法对该物理问题优化求解。然而传统的迭代算法存在计算复杂、迭代繁琐等问题,将优化算法展开到网络结构中,形成基于深度学习融合雷达成像优化算法的图像重建框架。实验结果表明,在平衡网络复杂度和重建性能的同时,该方案能够高效地完成目标重建。最后,进一步提出一种联合低秩与稀疏分解驱动的可学习深度网络的穿墙雷达成像方法。该方法利用墙体杂波的低秩特性以及待重建目标图像的稀疏特性,将问题建模为联合低秩与稀疏分解的正则化优化问题,然后采用变分框架和轮换策略将优化问题转化成两个准线性优化子问题并推导其更新公式,最后将上述迭代公式映射到网络结构中,形成融合物理模型的可学习深度迭代网络框架。实验结果表明,与传统两阶段成像方法相比,该方法高效地滤除墙体杂波以及重构目标图像,且显著提高了目标成像精度和速度。