逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)可以实现对运动目标的高分辨成像,对于目标的身份识别、分辨与分类具有重要作用。其具有全天时、全天候、高处理增益、穿透力强等特点,无论在军事领域还是民用领域都发挥着重要的作用。由于逆合成孔径雷达是对非合作目标进行成像,成像分辨率和成像速度是其中的关键问题,基于此,该文提出一种基于深度学习的成像方法,可以快速对机动目标进行高分辨成像。该文研究的主要内容如下:首先,比较ISAR与合成孔径雷达(Synthetic Aperture Radar,SAR)成像中的差别,介绍ISAR成像中一维距离像的产生,从数据采集出发,研究ISAR成像的基本原理,分析了ISAR成像中较为经典的距离多普勒(Range Doppler,RD)算法,通过仿真实验进行算法验证,并简要介绍了卷积神经网络原理。其次,提出一种基于深度学习的ISAR成像方法,将医学图像中常用的U型全卷积网络结构应用到雷达成像中,并针对ISAR成像特点对网络结构进行了改进,改进后的网络可以加快网络运行速度。提出一种新型的ISAR成像训练方法,分析如何获得训练数据,对仿真得到的训练集进行训练,训练后的网络经过测试可以有效提高ISAR成像质量。并对雷达回波缺失情况下和场景含随机噪声两种情况下的ISAR成像特点进行仿真分析,并提出针对这两种情况下的训练方法,在实验中利用该算法得到了较为清晰地ISAR图像。最后,对机动目标进行几何建模,分析由于物体运动对回波带来的影响以及最小熵算法运动补偿的原理。针对机动目标,提出一种新的成像算法,保持训练数据和网络模型不变,先进行最小熵算法运动补偿再通过神经网络u-net进行预测的方法。经过实验验证,该算法可以有效对机动目标进行快速高分辨成像。