逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像与识别技术在精准制导、反导反卫、空间预警、环境监测等军民领域起着至关重要的作用。在实际观测场景中,由于被观测目标的高机动、非合作性和观测环境的复杂、不确定性,导致传统识别手段无法满足ISAR机动目标自动识别的高精度与近实时处理需求。为了解决这一问题,有必要对机动目标回波信号的快速高效处理进行更加深入的研究,并进一步探索对目标更多维度信息的挖掘与利用。针对以上需求,论文拟围绕成像和识别这两个处理阶段,开展系统建模、成像算法和识别技术的研究,以期取得较高的精度指标和较好的实时性能之间的折中。论文通过优化成像环节中补偿算法的精度和计算复杂度,来提高成像质量和处理实时性,以提升识别前置输入信息的特征传递效能;利用机器深度学习挖掘样本多维特征信息,以减小识别性能对成像质量以及人工特征工程的强依赖性,从整体上提升系统在复杂应用场景下的识别能力。论文的主要研究内容包括以下几个方面:(1)ISAR系统的机动目标回波特性建模、成像算法研究及优化设计。根据经典二维转台模型和合成孔径二维分辨原理,明晰ISAR系统回波信号构成与分集特性。通过对机动目标的回波频谱特性进行距离向和方位向的建模与分析,讨论高阶运动目标距离像(Range Profile,RP)的序列相关性和方位像的频谱展宽性,为下一步补偿和成像处理的研究建立理论基础。通过对经典距离—多普勒(Range-Doppler,RD)成像算法和通用补偿方法的约束条件与优化空间进行研究,并针对一般机动性和高机动性目标进行RD成像仿真分析,提出通过提高补偿精度来解决目标平动导致的图像模糊、提高一维像聚焦性以改善目标转动导致的图像散焦,最终实现对机动目标的高质量、近实时成像和快速识别。(2)基于RP相关性的参数估计及运动补偿算法的研究。通过深入研究回波各距离像之间的相关性,对通用参数估计方法进行性能改进和复杂度优化;针对径向平稳目标的运动补偿,利用分数阶傅立叶变换(Fractional Fourier Transform,Fr FT)进行距离压缩产生高分辨距离像来提高距离对准精度,对Fr FT匹配阶数搜索算法进行复杂度优化,实现基于Fr FT的一阶参数估计与运动补偿;针对径向非平稳的机动目标,将高阶参数估计问题建模为最小二乘(Least-Square,LS)问题,提出基于LS的高阶对称累积互相关参数估计方法(High-order Symmetric Accumulated Cross-correlation Method,HSACM)。通过仿真实验分析,证明了提出算法的估计精度显著高于同类算法,其计算复杂度远低于通用的高阶参数估计方法。(3)高阶信号变换处理技术及机动目标快速成像算法研究。针对Fr FT不适用于径向非平稳目标的距离压缩以产生能量高度聚集的一维像、以及目标非均匀转动产生的时变多普勒问题,提出一种新的低复杂度信号处理技术——幂权傅立叶变换(Power-Weighted Fourier Transform,PWFT)。利用PWFT对信号频谱的“锐化”特性,研究基于PWFT的高阶平动补偿和高阶方位聚焦,进而提出基于PWFT的快速成像算法PWFT-RD,以及一种非常规的窗函数——幂权窗,以改善图像远端的拖尾现象。仿真实验证明了PWFT技术可以有效改善补偿不足和目标非均匀转动导致的成像散焦问题,PWFT-RD算法能够对机动目标进行高质量、近实时的成像处理。(4)基于深度学习样本多维特征的识别网络的研究。分析ISAR回波数据的三种典型表征形式(原始数据、一维距离像、二维ISAR图像)在信号处理过程中对不同维度原始信息进行的特征增强与抑制。利用深度神经网络进一步挖掘目标的多维特征信息,设计基于卷积神经网络(Convolutional Neural Network,CNN)的端到端识别网络。基于此框架,设计以上三种单一表征样本驱动的单流识别网络,并分析各网络特点及其场景适用性。利用不同表征形式的优势互补对单流识别网络进行数据增强和结构优化,设计适应复杂应用场景的多元表征样本驱动的融合网络。仿真实验结果证明了提出的几种识别网络的有效性,验证了多流融合网络在目标高机动性和极低信噪比等特定应用场景下,与已有识别方案相比具有显著的先进性。