雷达成像系统向待探测场景主动辐射电磁波,分析并记录场景中各区域反射雷达波强弱,形成能够反映探测场景物体分布情况的散射强度分布图。雷达波对环境依赖低,能够穿透烟雾、沙尘等介质,低频雷达波甚至能穿透墙体等建筑材料,实现对场景的穿透成像探测。因此,雷达成像系统在军民领域广泛应用。但受到阵列尺寸、阵元间距、系统复杂度等因素影响,雷达成像设备难以避免受到栅旁瓣等虚假目标影响。本文致力于增强雷达图像,抑制超宽带成像雷达图像中的虚假目标,提升雷达图像质量。第二章介绍了多输入多输出（MIMO）超宽带成像雷达以及相应的成像算法。并结合成像算法,提出了一种基于阵元局部分布特性的MIMO阵列设计方法。所提MIMO阵列设计方法考虑了MIMO阵列虚拟阵元在二维平面上的分布均匀性、在水平、竖直两方向投影低冗余、MIMO阵列边界约束、两两阵元间最小距离约束等四项准则。所设计阵列为冗余度较低的随机阵列,能够在不牺牲阵列分辨率的情况下抑制雷达图像栅旁瓣水平,提升雷达图像质量。第三章提出了利用卷积神经网络增强雷达图像,抑制栅旁瓣,提升雷达图像质量的方法。利用仿真雷达图像与所对应的理想雷达图像分别作为输入样本与标签训练深度神经网络。所训练的卷积神经网络能够识别并区分雷达图像中主瓣与栅旁瓣的图形图案特征,进而抑制雷达图像中的栅旁瓣,锐化主瓣,提升雷达图像质量。分别利用仿真及实测数据对所提方法进行验证,并与CF加权、OMP、SPGL1-LASSO以及Lucy-Richardson解卷积算法进行对比,所提方法具有最好的栅旁瓣抑制能力。第四章针对超宽带MIMO成像雷达点扩展函数具有空变性特点,提出空变卷积神经网络,并用于增强超宽带MIMO雷达图像。本章提出的空变卷积核是空变卷积神经网络的重要组成部分。空变卷积核由位置核与数据核组成,其中位置核从镶嵌在输入样本中的位置编码读取局部位置信息,并控制数据核提取相应特征。空变神经网络能够针对雷达图像中不同区域的图案,提取不同的特征,因而在增强超宽带MIMO雷达图像,抑制雷达图像栅旁瓣任务中,获得优于传统卷积神经网络的表现。第五章为进一步发挥空变卷积神经网络增超宽带MIMO雷达图像的性能,将输入信息进行扩展。输入信息扩展包含两部分内容,首先在原本以原始雷达图像作为网络输入的基础上,将后向投影成像算法的中间结果——投影图作为输入,为卷积神经网络提供更多输入信息,提升网络增强雷达图像,抑制栅旁瓣效果;另外,还将多帧雷达图像与投影图输入神经网络,一步实现了动目标指示与栅旁瓣抑制,且对低速运动目标的增强效果明显优于传统多普勒滤波方法。本文所提方法能够有效抑制雷达图像中的栅旁瓣等虚假目标,提升雷达图像质量,提高雷达图像观感,为雷达图像的人工辨识以及基于雷达图像的检测、识别等工作提供重要帮助。