多角度SAR数据通过不同SAR系统从不同角度对同一场景或目标进行探测获取。多角度SAR测量不仅具有角度分集优势,同时可以利用现有测量数据或设备实现,与MIMO雷达或者雷达传感器网络(RSN)必须在系统层面进行设计相比,多角度SAR测量在继承角度分集优势的同时节约了数据获取成本。本文针对多角度SAR数据蕴含的多维度信息,研究多角度SAR成像和特征提取两个问题,旨在提高成像分辨率、改善参数估计精度、增强算法鲁棒性以及克服雷达目标散射的姿态敏感性,从而为雷达目标自动识别奠定基础。与传统基于图像层的多角度SAR信息处理不同,本文在信号相干层面展开研究,不仅多角度SAR成像直接立足于相干测量数据,特征提取也直接以多角度SAR测量作为输入。本文研究之所以定位于相干层,其原因之一是相干数据包含更丰富的目标位置和幅度信息,其二是由于多角度SAR的角度分集特点使图像层特征关联存在困难。由于多角度SAR空间采样不连续,通过二维解耦在距离和方位向上分别使用一维匹配滤波实现聚焦的方法应用于多角度SAR数据将产生很高的旁瓣,因此第二章提出基于二维匹配滤波的多角度SAR成像。首先根据参考点和空间采样相对位置构造二维匹配函数,然后利用该函数直接对接收数据进行匹配滤波,最后通过调整参考点位置实现目标区域所有位置的成像。该算法克服了空间采样不连续问题,使方位向分辨率达到了连续测量时的水平,同时成像结果能够刻画雷达目标散射的空变特性。不足之处在于算法计算复杂度高,但是可以预先通过单角度SAR成像确定ROI,然后对ROI区域进行多角度SAR精细成像以改善算法效率。雷达成像专家习惯将成像算法分为两类,一类是如前所述的匹配滤波方法,另一类成像方法基于经典参数估计。继承参数估计思路,第三章通过改进缺失数据幅度相位估计实现多角度SAR成像。缺失数据幅度相位估计是一种基于数据驱动的自适应谱估计方法,没有对目标模型的先验假设,也不需要对空间缺失测量进行插值,它首先利用多角度SAR数据估计滤波器组系数,然后利用这些系数填充缺失测量数据,最后利用幅度相位估计实现高分辨率成像。同时,本章利用循环迭代算法改善计算效率。本质上,缺失数据幅度相位估计是基于傅里叶变换的谱估计算法,因此不能完全突破Shannon采样定理的限制,当多角度SAR空间测量分布太散时,方位向的高旁瓣问题仍然存在。从信息论角度看,经典SAR成像算法之所以不适用于多角度SAR数据,是因为多角度SAR空间采样不满足Nyquist采样率要求。压缩感知理论突破了Shannon采样定理限制,为多角度SAR成像提供了新思路新途径。第四章研究基于压缩感知的多角度SAR成像。研究首先从压缩SAR成像开始,并提出了点模糊函数(PAF)概念分析雷达参数和测量方式对成像性能的影响。分析研究表明,采用具有随机分布特点的发射波形、随机化空间采样位置、增大合成孔径长度都是改善压缩SAR成像分辨率和鲁棒性的重要方法。其次,本章实现了基于压缩感知的宽孔径SAR成像。为克服目标散射的姿态敏感性,宽孔径SAR成像采用广义似然比检验(GLRT)理念,将宽孔径划分为多个子孔径分别进行压缩SAR成像,然后对子图像进行非相干综合。另外,文章提出的模型失配函数(MMF)指标在理论上为子孔径划分提供了方向。最后,利用PAF作为分析工具,发现波形分集、角度分集和频率分集能够有效改善基于压缩感知的多角度SAR三维成像性能。这些结论对指导多角度SAR配置和数据获取具有重要意义。实验分析验证了PAF和MMF指标的合理性和研究结论的正确性。由于属性散射中心模型参数具有明确物理意义,因此高精度估计这些参数在雷达目标识别中扮演重要角色。模型参数估计精度一方面受限于算法选择,但最终决定因素是测量数据中蕴含的参数可辨识信息。因为多角度SAR测量的角度和频率分集特性,为属性散射中心参数估计提供了可靠输入。第五章利用多角度SAR数据估计属性散射中心参数。首先建立稀疏重构与参数估计之间的关系,然后以多角度SAR数据为输入,利用分段正交匹配追踪算法(St OMP)求解大尺度欠定方程。考虑到属性散射中心包含较多参数,为提高算法效率,本章提出分步参数估计算法:首先用理想点目标模型构造字典矩阵,得到模型阶次、类型和位置的初步估计,然后以此为先验信息,重新构造字典矩阵,得到最终估计。实验证明多角度SAR测量能够改善参数估计精度、提高参数估计鲁棒性。