由于逆合成孔径雷达(ISAR)成像利用目标的多普勒信息,目标整体的运动状态,目标上各部件运动状态都会对成像的结果产生影响。本文的研究主要针对当目标的运动情况较复杂时,如何得到清晰的成像结果。从最常用的匀速转台模型出发,给出了ISAR成像最经典的距离—多普勒(RD)方法。对于机动运动目标,它每个散射点的多普勒频率随时间变化,本文介绍了针对机动运动目标成像的距离—瞬时多普勒算法,利用时频分析和分解多分量线性调频信号的方式。能得到机动目标瞬时成像。当ISAR成像的目标的运动具有较大的机动性,积累时间会比较少。这里介绍了一种非参数化谱估计方法,迭代自适应(IAA)方法,将该方法应用到了ISAR超分辨领域,使用少量的回波得到了清晰的图像。然后,将其应用到了缺失数据的ISAR成像领域,得到了回波缺失数据的清晰图像。接下来,研究了协方差稀疏迭代谱估计(SPICE),应用到ISAR超分辨成像。从而进一步提高了ISAR超分辨成像的分辨率。并给出了基于Gohberg-Semencul(G-S)分解的SPICE的快速实现方法。对于包含高速旋转部件的目标,由于微动目标的微多普勒效应会造成频带展宽。我们将微动部件的微多普勒效应作为干扰消除。本文建立了包含高速旋转部件的ISAR成像模型,并介绍了基于短时傅里叶变换(STFT)的去微多普勒效应成像方法,并结合IAA算法,提出了一种基于时间递归迭代自适应(TRIAA)的去微多普勒成像方法。由于雷达距离单元内的信号具有稀疏性,本文将压缩感知信号重构方法与时间递归迭代自适应(TRIAA)相结合,提出了一种新的去微多普勒成像方法。将三种方法用于存在微多普勒效应干扰的实测数据上,分析和对比了实验结果。有时,目标的旋转部件包含了目标的大量信息。本文,将复数经验模态分解(CEMD)应用于雷达回波刚体部件与高速旋转部件信号的分离。成功提取出高速旋转散射点回波。又建立了高速旋转目标的二维成像模型。根据此模型,介绍了基于实数逆Radon变换的高速旋转目标成像方法,并将基于CEMD的信号分离方法与基于实数逆Radon变换的成像方法结合在一起,得到了仿真飞机的两侧螺旋桨清晰的成像结果。