合成孔径雷达（Synthetic Aperture Radar,SAR）,作为一种工作于主动探测方式的微波成像遥感系统,具有全天时和全天候工作能力的独特优点。在实际应用中,往往需要对运动目标实现检测与成像,因此研究SAR运动目标检测与成像具有价值与重要意义。随着航空、电子、信息、材料等技术的发展,无人机技术取得了很大的进步。SAR与无人机相结合有利于无人机遥感系统整体性能的发挥。近年来,P波段SAR系统备受研究人员的广泛关注,P波段SAR系统相较于高波段SAR系统而言,具有更强的穿透性,能够发现穿越在浅地表和植被下行驶的车辆目标。然而P波段SAR系统对运动目标实现检测与成像由于需要较长的合成孔径时间,运动目标会在SAR图像上出现严重的散焦和位移问题,所以相较于高波段SAR系统对运动目标检测与成像面临的困难要更大。并且已提出的一些解决方法存在计算量大难以实时处理、成像质量较差以及参数估计精度不高等问题。因此本文主要内容为P波段无人机SAR系统对运动目标检测与成像方法研究。主要内容分为以下几个方面:1、针对P波段SAR系统对运动目标检测、参数估计与成像存在的计算量大,难以实时处理等问题,本文提出了一种快速实现运动目标检测、参数估计与成像方法,在不采用参数搜索的情况下聚焦目标并估计其运动参数。该算法首先采用二阶Keystone变换进行距离弯曲校正,再基于距离频域的对称相关函数处理实现目标的能量积累,完成目标检测和目标方位向信号提取。对方位向信号进行相位差分和NUCPF（Non-Uniform Cubic Phase Function,非均匀三次相位函数）处理,便能实现运动目标相对速度估计。该方法避免了暴力搜索的手段进行参数估计,具有较强的鲁棒性,通过仿真不同信噪比（Signal-to-Noise Ratio,SNR）情况下运动目标的检测与参数估计效果,仿真结果表明该方法在SNR不低于-20d B的情况下也可检测目标,且参数估计误差不超过0.25m/s。2、针对传统时频分析方法对运动目标进行成像分辨率降低,成像质量差的问题,提出了基于深度学习的运动目标成像方法,在该方法中使用了能够放大CNN优点的具有跳跃连接的编码器-解码器（Encoder-Decoder）残差块结构。该方法与传统成像方法不同,其通过CNN强大的特征提取能力,利用深度神经网络自动提取隐藏在散焦曲线和相位中的目标特征信息,并恢复出运动目标的聚焦图像,避免了繁琐的参数搜索即可实现SAR运动目标聚焦成像并且在成像质量和效率方面优于传统的成像方法。进一步,为了提升浅层信息和深层信息结合的效率,减弱浅层图像中目标的散焦对最终聚焦效果的影响,提出了基于浅层信息和深层信息加权融合的运动目标程序网络。将通过神经网络成像的多运动目标结果图像采用CFAR检测方法对结果进行检测,仅需设置一个较低的门限便能实现多运动目标的检测。仿真结果表明:对于验证集,以图像熵、MSE、PSNR和SSIM作为评判标准,其中图像熵可达0.7665,比其他的CNN算法提升了50%。3、设计了P波段无人机SAR试验采集实测数据,通过实测数据对基于CNN的运动目标成像方法进行验证。设置了P波段SAR系统参数和无人机平台参数,根据设置的系统参数,在P波段无人机SAR系统的波束照射范围内设置运动目标运行道路,最后制定了试验方案。按照试验方案进行试验采集了实测数据,由于无人机载平台受自身飞行抖动和环境气流等因素影响较大,因此传统RD算法不适用于进行成像,所以对实测数据采用BP处理算法进行成像。然后截取包含运动目标的SAR图像块,对其利用基于CNN的成像方法进行成像处理。在基于CNN成像后的SAR图像块当中运动目标实现了重聚焦。最后通过与BP处理算法结果获得的图像熵进行对比进而验证了基于CNN的成像方法的有效性。