近年来雷达成像技术取得了长足的进步，逐渐成为目标识别、环境监测和资源勘查等任务的重要手段。作为微波成像的主要技术手段之一，合成孔径雷达通过方位向上的合成孔径技术来改善其方位向分辨率，且随着成像分辨率的提高，合成孔径雷达图像在目标识别和情报获取等领域有着越来越广的应用前景，自动目标识别就是在该需求下应运而生技术。　　压缩感知理论指出当信号满足稀疏性或可压缩性时，能够有效利用观测目标的先验信息，通过远低于奈奎斯特采样率的观测数据实现信号的准确重建。压缩感知理论框架下的雷达成像技术能在降低信号采样率的前提下提升目标图像质量、为图像分析和目标识别提供有效的信息，基于该理论所提出的稀疏微波成像方法极大降低了雷达系统的计算、传输和存储负担。目前合成孔径雷达多为通过线性调频信号进行脉冲压缩来获取距离向的高分辨率。混沌序列调频信号具有良好的相关特性，类图钉形的模糊函数使得其具有较高的测距能力。同时混沌序列调频信号又有类随机性，克服了线性调频信号参数容易估计的问题，在雷达成像领域取得了广泛的关注。　　本文主要研究内容和贡献包括以下几个部分:　　1.研究了基于Bernoulli、Tent等不同映射函数的混沌序列调频信号时频特性，仿真实验验证了基于Bernoulli映射的混沌调频信号具有图钉形的模糊函数和类噪声等特性，地基实验证明混沌序列调频信号具有良好的正交性能。　　2.建立了基于混沌序列调频信号的稀疏微波雷达成像模型，根据该模型采用交替方向乘子算法对不同的降采样率和信噪比条件下的稀疏场景进行重构。仿真实验结果表明稀疏微波成像算法可以在降低信号采样率的前提下准确重建原始场景，并且相比于时域相关成像法可以抑制图像的旁瓣。交替方向乘子法很好地为分布式稀疏重构提供新的思路。　　3.提出了一种迁移学习模式下基于深度卷积神经网络的SAR自动目标识别方法，一方面，该方法可以自动学习类别特征，避免了人工特征预选取操作;另一方面，采用迁移学习模式加快了模型的训练速度，降低了分类网络陷入局部最优解的可能性。基于MSTAR数据的实验结果表明该方法相比于支持向量机和条件高斯模型等方法能取得更高的分类正确率。