对目标进行观测时,逆合成孔径雷达（ISAR）通过发射大时宽带宽积信号获得距离高分辨,并利用雷达与目标间的相对运动获得方位高分辨,所得二维高分辨图像为目标的特征提取及识别提供了有力支撑。现有ISAR成像方法大多假设目标平稳运动,进而在平动补偿后利用现有成熟算法,如距离-多普勒算法（RD）等,可获得高质量成像结果。但对于非合作目标,其运动轨迹未知,并且很有可能存在机动,从而导致现有方法的成像质量迅速下降甚至无法成像。此外,在实际情况中,由于强干扰的存在、认知雷达资源调度、远距离观测等原因,ISAR成像往往面临回波缺损、信（干）噪比低、目标偏离字典网格等难题。基于稀疏贝叶斯学习的方法能够充分利用目标及环境的统计特性,为上述复杂环境下的机动目标高分辨ISAR成像提供了新的思路。本文重点开展基于稀疏贝叶斯学习的复杂环境机动目标高分辨ISAR成像研究,具体内容包括:机动目标与复杂环境的回波及概率建模;基于参数化字典的离网机动目标高分辨ISAR成像;低信（干）噪比条件下的机动目标ISAR成像等。相关研究将为提高我国成像雷达在低信（干）噪比、目标机动、数据缺损等复杂条件下的高分辨成像能力提供理论与技术支撑。本文主要内容包括三个部分:第一部分研究基于快速稀疏贝叶斯学习的机动目标ISAR成像。首先构建机动目标回波的稀疏观测模型,进而通过对待重构的ISAR图像引入Gamma-Gaussian先验构建概率图模型。在此基础上,交替采用快速稀疏贝叶斯学习方法及牛顿法对散射点进行稀疏重构并估计字典参数。蒙特卡洛实验和实测数据处理结果证明了相关算法的有效性。第二部分研究基于参数化字典的离网机动目标ISAR成像。首先建立了离网机动目标回波的稀疏观测模型,随后对散射点多普勒引入von-mises分布,同时对待重构散射点分布引入spike-and-slab先验以提高数据表征的灵活性及稀疏性。接着采用变分推断（VI）和牛顿法对模型及运动参数进行迭代求解。仿真和实测数据处理结果表明,该方法重构误差较小,且对目标机动、低信噪比、稀疏孔径等复杂观测环境稳健。第三部分研究低信（干）噪比条件下的机动目标ISAR成像,首先引入GammaGaussian先验对散射点分布进行稀疏建模,同时引入高斯混合模型对环境进行稳健建模,进而给出基于最大后验-期望最大（MAP-EM）及牛顿法的模型参数求解方法。最后,采用四种不同干扰条件下的实测数据成像结果证明了相关方法的有效性。