高质量的合成孔径雷达(Synthetic Aperture Radar,SAR)图像在如诸多领域均有重要的应用价值,然而由于硬件设备的昂贵以及成像过程中不可抗因素的干扰,实际得到的SAR图像往往无法满足实际需要,传统通过改善系统本身及在成像阶段提升SAR分辨率的方法效果也很有限。近年来基于学习的图像超分辨重建的技术迅猛发展,在光学图像领域取得了非常好的效果。因此,本文将结合SAR图像本身的特点,将基于学习的图像超分辨重建技术应用到SAR图像超分辨重建的领域中,并从实际应用出发,将图像分类技术与图像超分辨技术紧密结合在一起。本文在国家高层次人才特殊支持计划面上项目(SAR影像翻译与目标识别)等项目的支持下,借鉴机器学习、深度学习和生成对抗网络理论,针对SAR图像中的超分辨问题展开了研究,论文研究成果如下:1)本章结合SAR图像的特点,提出了基于卡通纹理分解和联合优化的SAR图像超分辨重建的方法。该方法联合学习多个回归器,使得所有的训练数据的重建误差最小,然后对不同的输入图像块选择最优的回归函数进行重构,该方法很好的克服了SAR图像具有更加复杂结构的问题。同时,我们加入了卡通纹理分解方法,将所有的SAR图像分解为卡通图像和纹理图像分别处理,并在最后的重建阶段将得到的高分辨卡通图像和纹理图像重新合成一幅完整的SAR图像,实验证明该策略的加入使得我们的方法在抑制SAR图像相干斑噪声以及小斑点目标的恢复上具有较好的表现。2)本章以生成分对抗网(Generative Adversarial Networks,GAN)为基本框架,并结合感知损失提出了基于感知损失和生成对抗网的SAR图像超分辨方法。感知损失是指从预训练的网络提取的图像高级特征的差的损失,其在恢复图像纹理边缘信息具有优越表现,对抗网中的判别模型迫使重建的图像更好的符合真实SAR图像的统计分布。通过实验分析,在放大倍数较大时,我们的方法重建的SAR图像具有非常优越的效果。3)本章工作是在上一章的工作基础上,继续探究该方法对图像分类的促进作用。首先训练对遥感图像进行分类的VGG网络,因为数据的不足,在训练遥感图像分类的VGG网络时,我们使用了迁移学习的方法,使用预训练VGG网络的参数初始化网络前几层,随机初始化后几层,并在训练的时候微调网络。然后我们使用第四章的方法对图像进行超分辨处理,探究该方法与传统方法相比,对图像分类正确率的提升效果。实验结果的对比验证了该方法的有效性。