穿墙雷达由于其穿透性可以在不破坏现场情况下获取隐蔽目标信息已成为研究热点,其三维成像提供方位向,距离向和高度向信息,满足了骨骼轮廓、动作姿态等人体行为特征和建筑物内部物体分布信息的需求。考虑到三维成像算法中数据量大、采集时间长以及所成像存在旁瓣的问题,引入压缩感知理论进行稀疏成像,但仍存在构建字典矩阵所需内存过大、稀疏重构凸优化算法阈值参数选取以及墙体对目标成像影响的问题。为此,本文通过构建衍射层析稀疏模型,采用模型与数据双驱动进行学习成像,具体的研究内容如下:1、针对墙体回波覆盖目标回波导致无法对目标成像的问题,提出一种学习迭代软阈值算法（LISTA）网络的墙体与目标回波信号学习分离方法。该方法首先建立低秩-稀疏模型,然后采用迭代软阈值算法求解稀疏解,并将其迭代过程映射成多层神经网络结构,即LISTA网络,最后通过数据驱动学习阈值参数,从而实现对阈值参数的自动选取。仿真和实测验证了阈值参数对墙体与目标回波分离的影响和训练后的阈值参数对分离效果的提高。2、针对传统稀疏模型字典矩阵所需内存过大以及凸优化算法阈值参数的选择影响成像质量的问题,提出一种学习近似消息传递（LAMP）网络的三维学习成像方法。该方法在衍射层析成像算法上通过构造快速傅里叶变换算子来建立衍射层析稀疏模型,避免了字典矩阵的构建,然后采用修正近似消息传递算法求解稀疏解,并将其迭代过程映射成多层神经网络结构,即LAMP网络,最后通过数据驱动自适应学习多层神经网络中的可调参数,从而实现三维学习成像。仿真和实验数据处理结果表明,该方法减小了系统所需内存,避免了参数的人工调整对成像质量的影响,并且使用GPU加速,减少了成像所需时间。3、针对未知墙体参数下三维稀疏成像问题,提出一种墙体参数与稀疏系数交替学习的自聚焦成像方法。该方法首先固定墙体参数,利用LAMP网络更新稀疏系数;然后固定稀疏系数,继续利用神经网络中反向传播算法更新墙体参数;经过多次交替迭代,最终选取网络损失函数最小时作为最优墙体参数估计和自聚焦成像结果。仿真实验结果验证了该方法避免使用泰勒级数展开法求解墙体参数变化量,并且相比于划分墙体参数全局搜索而言,减少了成像次数和寻优时间。