合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天时、全天候和作用距离远的特点,可在复杂环境下对探测目标进行高分辨成像,在实际场景中应用广泛。实际工作过程中,SAR成像分辨率的高低直接影响雷达成像性能的优劣,因此如何有效提升成像分辨率是SAR成像算法的核心内容。但传统利用傅里叶变换的SAR成像算法由于响应函数的限制,会造成回波数据主瓣展宽,旁瓣增大,严重限制了雷达精度的提升,不利于对目标进行检测和特征提取工作。本文针对高分辨SAR成像恢复精度提升问题,由雷达原始回波数据出发,结合贝叶斯统计机器学习方法,利用概率密度分布的方式进行建模,最后通过统计采样技术,主要是马尔科夫链蒙特卡洛（Markov Chain Monte Carlo,MCMC）采样技方法,实现贝叶斯推断,研究内容可分为以下几点:1、研究优化类成像算法面临的复杂参数调整问题。传统的优化类稀疏SAR成像算法涉及繁琐的正则项系数调整,严重限制了SAR目标超分辨成像的精度及便捷程度。本章面向非约束Lasso正则化问题,建立分层贝叶斯概率模型,首先建立SAR成像的贝叶斯Lasso模型,在稀疏先验假设条件下,将非齐次欠定线性方程组的求解转变为对Lasso问题进行求解。然后在分层贝叶斯框架下实现对稀疏拉普拉斯先验的概率建模,同时考虑对优化过程中相应1范数正则项稀疏调节系数建立条件概率依赖模型。最后利用MCMC采样算法从数据中自动学习产生正则项系数,实现对SAR目标稀疏特征的求解,并同步获取包括正则项系数在内的多参数估计。基于此研究方法可实现全部参数均通过条件概率建立依赖关系,并在MCMC采样算法中完成求解,从而有效避免繁琐的参数调整过程,提升算法的自动化程度。2、研究利用双层稀疏（Bi-Sparsity）分布对目标散射体先验进行统计约束,从两个稀疏度方面对目标的位置进行定位并对目标幅度进行增强,进而实现SAR高分辨成像的问题。首先针对SAR成像目标通常具有明显的稀疏特性,采用伯努利-拉普拉斯（Bernoulli–Laplace,BL）混合稀疏先验对目标统计特性进行概率建模,利用双层稀疏（Bi-Sparsity）对目标先验进行统计约束,进而有效模拟目标散射场统计先验。然后在贝叶斯层级模型下通过引入隐变量建模的方式对先验进行分层构建,以简化贝叶斯推断,降低计算复杂度。最后为避免繁琐的手动参数调整,实现超参数的自调节,对各随机变量建立条件概率依赖模型,并利用MCMC采样算法解决高维度积分和后验分布难以求解的问题,实现超参数的估计计算,提升算法自学习能力。实验中利用仿真和实测数据并通过不同方法的对比证明算法的有效性。3、研究固定先验灵活性不高,对复杂SAR成像目标场景统计特性难以有效模拟的问题。首先利用广义高斯分布（generalized Gaussian distribution,GGD）对目标先验进行统计建模,在接收回波数据驱使下自适应匹配目标先验,并对目标散射场进行充分模拟建模。然后引入超参数,并利用贝叶斯层级模型解决似然函数与先验分布之间不共轭问题,以便简化运算,提高效率。由于目标的后验分布难以直接解析求取,本文结合在凸优化中应用广泛的交替方向多乘子（Alternating Direction Method of Multipliers,ADMM）变量分裂的思想,通过引入辅助变量,将目标的后验分布分解成多个子任务进行计算。最后将近端算子与哈密顿蒙特卡洛（Hamiltonian Monte Carlo,HMC）采样算法结合构建近端哈密顿蒙特卡洛（proximal Hamiltonian Monte Carlo,PHMC）采样算法解决非平滑后验分布函数采样问题,从而有效提高贝叶斯推断的效率。