合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术在现实中已经得到了广泛的应用,但是随着应用场景的复杂化,SAR成像的计算量越来越大,引发了一系列问题,限制了其在现实中的进一步应用。鉴于分布式计算在需要巨大计算量的场景中得到了应用,且实现了海量数据的快速处理和计算能力的灵活扩展。本文介绍了SAR的后向投影（Back Projection,BP）算法和压缩感知（Compressive Sensing,CS）成像方法的基本原理,基于MapReduce分布式计算框架的并行化计算能力,提出了两种SAR成像分布式并行化计算方法。1.BP算法在SAR成像中适用性广,但是SAR采用BP算法成像时,存在计算量大,成像耗时长和信号处理平台计算能力扩展性不足的问题。针对上述问题,本文提出了基于MapReduce的SAR后向投影快速成像方法。该方法将BP算法的方位向成像任务划分成若干个成像单元,进行分布式并行化方位向成像计算,最后将所有成像单元的计算结果进行相参累加。在该方法中,采用数字标记的方法记录每个脉冲对应天线阵元的位置信息,实现数据的独立处理;采用combiner函数对成像单元内的计算结果进行提前聚合,解决后期数据聚合时间较长的问题。实验验证了该方法的成像准确性和加速性能,该方法的方位向成像在由4台物理计算机搭建的Hadoop分布式计算平台中进行,其计算速度是单机计算的BP成像方法方位向成像的3.7倍,可见,该方法可以实现BP成像的加速。2.现有SAR系统中为了缩减采样点数,近场常用CS成像方法,但是SAR采用该方法存在计算时间较长和信号处理平台计算能力扩展性不足的问题。为了解决上述问题,本文提出了基于MapReduce的SAR压缩感知快速成像方法。该方法应用两次MapReduce计算过程,依次将距离向成像和方位向成像的迭代重构实现分布式并行化计算。在该方法中,采用序号标记的方法,实现分布式并行化重构后的数据能够按重构前的行顺序进行排序。实验验证了该方法成像的准确性和加速性能,该方法在4个计算节点的分布式计算集群中运行时,其计算速度是单机计算的SAR压缩感知成像的1.4倍,可见,该方法可以实现CS成像的加速。