近年来,随着人工智能的兴起,机器学习和稀疏表示被越来越多的应用于信号处理领域。受自然光学图像超分辨率技术的启发,本文尝试将光学图像超分辨率算法引入ISAR图像分辨率增强中,重点研究了一种基于联合字典学习的ISAR像稀疏重构算法。本文的主要工作如下:第一章介绍了图像超分辨技术的国内外研究现状,总结概括了ISAR分辨率增强技术的几种经典方法及工作原理。为后续工作的开展提供了理论依据。第二章阐述了ISAR的成像原理以及稀疏成像原理。介绍了小角度条件下的转台成像模型。信号通过字典可以稀疏的表示,该方法能够提高信号的抗噪性,对于ISAR成像也具有不需要预先估计散射点的优势。所以在后续介绍了稀疏表示在ISAR成像中的应用。第三章提出了一种稀疏重构模型,该模型基于低分辨率和高分辨率图像块的耦合字典学习方法来实现图像分辨率的增强。当雷达信号频率变化不大时,目标的散射中心模型近似保持不变,假设目标对象的低分辨率ISAR像与其高分辨率ISAR像共享相同的稀疏表示系数是合理的。根据雷达图像与光学图像的差异,提出了针对ISAR像的预处理方法,并研究了如何将该算法在实一维像和ISAR像中应用。最后采用点散射模型和暗室测量数据验证了本方法的性能。第四章主要研究了利用复雷达图像提升图像分辨率。分别从对字典训练算法的改进和数据的处理两个方面进行。在字典优化算法方面,本文提出了基于RBM网络模型的字典训练算法,模型中的隐层节点表示稀疏表示系数,显层节点表示高/低分辨率图像数据,因此,模型中的权重就代表字典,经过多次迭代训练即可得出最后训练好的字典。本章还与之前学者提出过的经典字典学习算法进行了对比比较。最后经过仿真实验可以证明基于RBM网络的字典学习算法是使稀疏恢复效果最好的算法。本章还针对稀疏重构中雷达图像的数据处理形式进行改变,不再使用之前所含信息量较少的实雷达数据训练方法,而是采用复雷达图像数据进行训练和测试。将雷达数据进行实部和虚部分离处理。最后的实验结果证明复雷达数据进行实验仿真具有更好的效果。