双基地合成孔径雷达（Bistatic Synthetic Aperture Radar,BSAR）成像技术是利用收发双站与目标之间的相对运动来形成高分辨图像,其作为一种微波有源成像系统,具有全天候、全天时、高分辨力、穿透强等特点,在军用和民用领域都有广泛的应用。由于应用场景以高机动平台为主,所以该文以高机动平台应用场景建模,围绕弹载前视静止目标区域成像和弹载前视动目标区域成像进行,利用卷积神经网络（Convolutional Neural Network,CNN）对雷达算法所得图像进行优化,实现雷达图像分辨率提高。该文研究内容主要如下:首先,介绍了弹载前视成像使用BSAR的原因,从成像场景建模角度给出了系统的双基斜距表达式,然后利用驻定相位定理（Principle of Stationary Phase,POSP）推导了回波信号的二维频谱表达式。为了简化成像滤波器的复杂程度,使用三阶斜距泰勒展开式计算回波频谱,并通过仿真实验对该文算法进行了分析。其次,导弹制导过程中需要对目标进行实时定位,引爆弹在飞行期间会前视目标区域,成像距离随着导弹在接近目标时变得越来越近。在引爆弹进入快速俯冲阶段时,双基SAR成像算法所成图像质量会急速变差。其中最主要就是方位向出现散焦,而且越偏离成像孔径中心,散焦越严重。该文提出了一种在U-net基础上改进的卷积神经网络结构并说明了其组成,然后阐述训练集的产生过程以及合理性,列出了实验整体实施步骤,通过散焦的点目标和附加噪声的模糊船面目标证明了该文所提方法的有效性。最后,针对非合作目标（动目标）,在具体成像时由于合成孔径雷达需要一定时间进行方位向的慢时间回波积累,这样目标的运动特性就会引入回波,导致成像时无法对回波中由于运动而引起的附加相位进行补偿,成像质量大大降低。这里借鉴光学中傅里叶叠层显微成像技术（Fourier Ptychographic Microscopy,FPM）的思想,对非合作目标所有运动特性集中处理,然后再利用CNN得到清晰的动目标图像。