在当今社会,光学区雷达的电磁散射特性被广泛地应用到目标特征获取和目标识别领域。而真实有效的散射中心模型可以对该现象进行有效的描述。因此在现阶段的电磁技术领域,散射中心模型是目标特性分析与目标识别的基础。当前散射中心建模有两种途径:正方法和逆方法。由于正方法存在不稳定性和主观性太强等缺点,在散射中心建模中使用率不高。目前在散射中心的建模和分析中以逆方法为主。逆方法,又称为散射中心重构,分为“小角度模型重构”和“全姿态模型重构”两种实现方式。但当前使用的逆方法需要强大的算例支撑,且散射中心位置的选取复杂度过高。基于以上建模方式各自的不足,本文尝试提出新的算法,旨在解决当前途径的痛点。首先,本文将三维成像算法和机器学习算法相结合,使得用户可以通过固定压缩比和固定散射点之间的距离这两种决策来选定散射中心的个数。这一创新使得散射点的选取过程更加灵活、智能和高效,也使得散射点的位置信息更具有几何上的物理意义。其次,本文基于数值分析中线性系统的求解和GTD模型,提出基于三维成像的散射中心提取算法。这一创新将散射模型中散射点的幅度信息提取过程公式化,降低了散射中心提取过程中的计算复杂度。并且探究了利用该算法提取的散射中心模型在内插场景应用上的可能性。最后,本文针对“基于三维成像的散射中心提取算法”的普遍性问题提出了对于上游数据源和训练过程两种维度的不同的优化策略。在数据源维度,本文通过改进三维成像算法进而得到优化。在训练过程中,本文提出基于二分法的自适应训练角度分割算法和基于贪心思想的参考值给定算法,有力地增加了当前算法的鲁棒性以及在不同场景下的适用性。本文不仅基于算例给出了应用优化策略后的性能损耗供读者参考,还以“小角度模型重构”过程中所提的优化策略为抓手对于全姿态模型重构进行了探究。