合成孔径雷达成像的特性优势使其在军事和民用方面的发展突飞猛进。在Nyquist采样定理框架下,高分辨雷达成像受到采样率高和后期处理数据量大等限制,亟需一种新的采样和信号重建理论为其服务。近年来,压缩感知理论在处理稀疏或可压缩信号方面性能突出,受到许多领域研究者认可并被广泛应用和发展。雷达散射中心理论与压缩感知理论对信号稀疏性的要求相吻合,使压缩感知应用于合成孔径雷达成像成为可能。本文着眼于压缩感知理论与合成孔径雷达成像的结合,对基于压缩感知理论的稀疏贝叶斯学习信号重建算法加以改进,旨在降低成像的运算复杂度和提高成像精度。主要工作分为如下两点:1)在二维成像模型,即多测量矢量联合稀疏优化的基础上,在稀疏贝叶斯算法中引入最小L0范数处理,对信号的均值矩阵进行修正,加快收敛速度并且提高成像质量。引入最小L0范数处理的改进稀疏贝叶斯学习算法首先将雷达回波和成像场景离散化,对回波模型的距离维作脉冲压缩得到二维模型。在经典稀疏贝叶斯学习算法的均值矩阵更新步骤后加入最小L0范数修正步骤。该修正步骤可以在每次迭代过程中拉大散射中心与干扰的幅度差,因此可以快速收敛到指定条件。二维模型引入的距离维条纹干扰也因修正步骤得以消除。2)在二维成像模型基础上,考虑目标散射中心的群聚效应,在稀疏贝叶斯算法中引入可动态逼近目标真实状况的块结构假设。采用两次重建取交集的方法,消除二维模型引入的条纹干扰。可以在保证运算速度的前提下,提高成像质量。改进的块稀疏贝叶斯学习算法先对距离维作脉冲压缩,将二维模型的各列作相同长度的块划分。每一列中,各非零块可在任意位置,能重叠出更大的非零块。所以相同长度的假设没有限定性,块模型非常灵活,可在迭代过程中动态逼近目标真实结构。迭代完毕后保留图像。再对方位维作脉冲压缩,重复一遍计算,保留成像结果。两次结果取交集,可去除各自维度的条纹干扰。本文提出的两种算法,极大的降低了稀疏贝叶斯学习算法的运算复杂度,同时保留了其精确度高,抗干扰,无需手动调节参数等优点,提高了成像质量。