逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）目前已成为人们获取非合作运动目标高分辨雷达像的常用手段,雷达像的分辨率越高,其展现的目标信息越丰富。针对传统ISAR分辨率增强方法的不足,本文重点研究用于ISAR分辨率增强的深度学习方法。所开展的研究工作和取得的研究成果如下:第一章回顾了国内外ISAR分辨率增强技术的研究进展,重点分析了目前已经广泛应用的各种传统方法存在的不足,并总结了目前深度学习在分辨率增强技术研究中取得的研究成果。第二章基于ISAR成像原理阐述了ISAR分辨率增强的具体含义,并在传统ISAR分辨率评估方法的基础上提出了ISAR分辨率增强指数,用于评估ISAR分辨率增强性能。第三章首先分析了利用深度学习方法提升ISAR分辨率的可行性,提出了用深度方法增强ISAR分辨率的基本框架。而后选择低分辨ISAR像和其对应高分辨ISAR像之间的均方根误差（Mean Square Error,MSE）作为损失函数,用深度残差网络学习两者之间存在的映射关系,将已训练完成的深度残差网络模型作为ISAR高分辨图像的重构模型。为了分析该深度残差网络模型的重构性能,我们基于理想点散射模型和暗室测量数据研究了残差网络结构和ISAR回波信噪比对分辨率增强性能的影响,并对残差网络各层提取的特征进行了可视化和进一步分析。与传统的ISAR分辨率增强技术相比,该方法不需要进行模型参数求解,可以同时增强距离向和方位向分辨率,有效避免了谱估计方法和稀疏表示方法容易产生假散射点的问题,提高了散射点的估计精度。第四章提出了一种基于生成对抗网络的ISAR分辨率增强方法。该方法将绝对值损失和对抗损失的加权和作为生成网络的损失函数,解决了将MSE作为网络的损失函数导致的分辨率增强指数有限和弱散射点无法被准确恢复的问题。我们同样基于理想点散射模型和暗室测量数据展开实验,实验结果表明,对比于其他基于深度学习的雷达分辨率增强方法,该方法达到了更高的分辨率增强指数,在低的信噪比下仍然能较准确的恢复图像中的弱散射点,具有更强的鲁棒性。第五章是全文研究工作的总结与展望。总结了全文的主要研究内容及创新点并讨论了目前利用深度学习增强ISAR分辨率方法的优势和局限性。