压缩感知（CS）理论向我们展示了可以用远低于奈奎斯特采样率的观测数据来重构未知稀疏信号，那么只要找到信号的稀疏变换域，就可以大幅度的减少采样数据的维度，这在工程应用上具有巨大的吸引力。近年来CS理论在各种科学应用领域得到了空前的发展，如医学成像、光学成像等。由于传统基于傅里叶变换的逆合成孔径（ISAR）成像方法，其分辨率严格受限于相干积累时间，而目标的非合作性和机动性导致实际情况下无法获得充分的相干积累时间，从而导致成像分辨率相对较低。考虑到目标图像是由数量较少的强散射点构成的，这种稀疏性为将CS理论应用于高分辨ISAR成像奠定了基础。本文基于压缩感知理论，分析了该理论下高分辨ISAR成像体制的可行性，并从CS重构算法和建模两个角度出发分别研究了基于CS的高分辨ISAR成像方法。首先本文从空间复杂度、时间复杂度及重构精度上分析了各种CS重构算法的性能，由于贪婪迭代算法在时间复杂度上的显著优势，以及近年来涌现出大量的此类型改进算法，所以本文将贪婪迭代类算法应用到ISAR成像的高分辨重建中。文中提出了一种改进的贪婪迭代算法—扩张子空间追踪（Expanded SubspacePursuit，ESP）算法，并通过多普勒高分辨仿真对比试验验证了该算法的有效性。另一方面，本文从增强稀疏性约束的角度提出了基于广义柯西先验的ISAR成像模型，建立了新颖的lMeridian-norm稀疏约束函数，以及完整的参数选择机制。文中详细对比了所提模型与常规基于拉普拉斯先验的压缩感知模型——LCS在稀疏约束方面的性能，洛伦兹曲线分析验证了所提模型的增强稀疏约束性，而且与LCS模型求解算法不同的是：所提模型的求解算法其参数可以迭代更新直到算法收敛。仿真和实测结果说明在观测回波较少及背景噪声很强的环境下，所提模型依然表现出稳健的成像性能，相比传统的距离多普勒以及基于常规CS理论的ISAR成像方法具有极大的优越性。