合成孔径雷达（Synthetic Aperture Rader,SAR）是一种常用的高分辨率微波成像系统,可以全天时地对地面进行观测成像。然而,传统SAR无法同时获得距离向宽测绘带和方位向高分辨率。为了克服这一缺点与盲区带来的影响,研究者们提出了一种基于变化脉冲重复频率的SAR系统,即Staggered SAR。此外为解决传统高过采样率Staggered SAR的数据负荷较大、实现成本较高的问题,近年来研究者进一步提出了低过采样率Staggered SAR。但低过采样率的模式会造成在成像中真实目标附近出现大量高强度的模糊目标,这极大地降低了最终成像质量,使得这种模式的雷达无法满足实际应用需求。针对该问题,本文分别提出了基于监督学习和强化学习的算法,来实现对低过采样率Staggered SAR成像结果中方位向模糊进行抑制。本文的主要工作如下:1.介绍了传统高分宽幅SAR与Staggered SAR的不同脉冲发射模式对于盲区分布的影响。在此基础上,对非停等假设下的Staggered SAR进行回波建模,并简要叙述了建模流程。随后对低过采样率Staggered SAR在成像结果中,真实目标方位向附近出现高密度和高能量的模糊目标的原因进行分析。进一步的仿真结果验证了本章的理论。2.针对低过采样率Staggered SAR系统成像中的方位模糊问题,提出了一种基于监督学习的方位模糊抑制算法。该方法构建了一个全卷积网络形式的模糊去除U型网络（Ambiguity Removal U-shaped Network,AR-UNet）来获得从有模糊原始图像到无模糊图像的映射。仿真实验中该方法成功去除了真实目标在方位向上的模糊,且效果优于传统算法,这验证了该方法的有效性。3.针对监督学习方法计算量较大,真实目标分辨率降低的问题,另提出了一种基于强化学习的模糊去除策略梯度（Ambiguity Removal Policy Gradient,AR-PG）算法。不同于AR-UNet方法,AR-PG将模糊抑制过程拆分为多步递归实现,通过将策略梯度算法和卷积网络相结合,对图像中模糊部分进行能量抑制。该方法虽然去模糊效果不如AR-UNet,但却进一步降低了所需网络规模和计算复杂度,并能更好地保留下真实目标。仿真实验验证了该方法的有效性。