合成孔径雷达（SAR）能够全天时、全天候主动对地观测并实现高分辨成像,为军事和民用领域的应用提供了重要的技术支撑,如导弹精确制导和民用航空的空中交通管制以及气象探测等。高分辨SAR成像的快速发展主要源于压缩感知（CS）的出现,CS理论突破了瑞利分辨率的限制,极大推动了 SAR成像的精度提升,使得SAR成像时可获得更多观测目标的精细/弱散射结构特征。不过快速发展的SAR稀疏特征增强类CS算法如阈值迭代算法等在回波信号恢复中难以保护目标的精细/弱散射结构特征,会导致SAR丧失原本高分辨成像提取精细特征的优势,且传统稀疏恢复算法的运算速率也有待提升。本文针对传统稀疏成像算法存在的问题,利用不同类目标解的先验信息引入相应合适的正则化项来表征不同的SAR场景特征,从而进一步提升高分辨SAR成像技术的精度。本文主要内容如下:1.针对传统稀疏成像算法收敛速度较慢的问题,通过融合贪婪思想,本文提出了一种贪婪-快速阈值迭代方法（Greedy-FISTA）用于SAR动目标稀疏恢复,该方法通过提高重启技术性能对传统快速阈值迭代方法进行改进,将每次迭代的最优步长确定为软阈值更新时的步长,并在收敛条件的约束下,通过对高维度数据量庞大的SAR动目标复数据进行不断迭代以达到最佳收敛值。通过收敛速度对比和仿真与实测数据对比实验,证明所提方法在收敛速度和SAR动目标稀疏恢复方面具有优越性能。2.针对上述Greedy-FISTA仅考虑稀疏先验容易丢失部分散射体结构信息的问题,本文提出基于欧式距离对聚类信息进行分块的交替方向乘子方法（SGL-ADMM）,该方法通过利用广义ADMM的变量分裂思想构造双惩罚项,引入l1范数表征块内稀疏,以及l1/lF范数表征块间稀疏和块内结构平滑。并分别求其对应正则化近端算子,结合“分解-调和”思想迭代得到全局最优解,实现稀疏和整体结构平滑。通过和传统方法进行定性成像对比,以及利用相变热力图进行定量对比均验证了所提算法的优越性能。3.上述基于欧式距离分块的SGL-ADMM在复杂形态场景中结构识别较为不够灵活,仍有一定改进空间,因此以ADMM多任务框架为基础,受数学形态学具有拟合轮廓能力的启发,本文提出了基于空间可变形态学（SVM）测地距离对回波数据进行特征自适应分块的ADMM方法（MAB-ADMM）。该方法通过构建基于形态学分块的lM/lF正则化结构惩罚项对目标聚类特征进行表征,以及利用l1正则化线性回归进行稀疏表征。通过仿真实测实验验证所提算法相较SGL-ADMM具有更佳的结构恢复能力。不同于MAB-ADMM在分块和混合范数构造方面引入形态学,本文另提出一种正则化惩罚项为形态学范数的结构保护SAR（SG-SAR）成像方法,即只使用形态学来构建形态学正则化,该方法通过SVM算子构建形态学范数,并推导其次梯度算子,为适应复杂场景/目标,SG-SAR方法采用基于空间变化的结构张量设计结构元素,该方法与MAB-ADMM殊途同归。通过多组特征增强成像实验,有效证明了所提算法应用于SAR高分辨成像的优越性能。