逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)是不同于传统雷达的一种具备高分辨成像能力的雷达。ISAR通常是静止的雷达对运动的目标进行纵向和横向二维高分辨力成像,因此能够获得卫星、空间站等空间目标的尺寸、形状、结构等重要信息。在国防安全、战争情报获取、目标打击等方面发挥着重要的作用。随着军事技术的发展,对ISAR成像的特征提取与质量评估研究具有重要的军用价值。在特征提取方面,战场环境日益复杂,军事目标的机动性、伪装能力不断提高,ISAR能够清晰地捕获目标信息的难度也越来越大,况且单次ISAR成像也仅能反映目标的部分细节、特点,难以获得对目标全面的、精确的表述。军事图像特征增强融合技术可以将ISAR获取的一系列军事目标的图像进行融合,获得目标更全面的信息,在空间目标识别、姿态估计等方面有广泛应用。由目标的二维信息进而推出目标的三维结构,在军事上意义非凡,对目标进行三维重构可以使得目标指示更加精确,在军事测绘、无人作战、军事救护等领域发挥重大作用。在质量评估方面,图像质量是衡量雷达系统整体性能的重要指标。对ISAR图像质量的批量自动评价对于雷达系统的性能评估、算法的分析比较等多方面都有着十分重要的作用,可用于相关研究人员对雷达性能进行检测和设计以及对成像算法进行有针对性的改进。ISAR成像的特征提取与质量评估在实际应用中的实时性和精确性是研究关注的热点。本文在信息处理层面对两方面内容进行了相关的研究:高分辨ISAR图像的二维多视角融合以及目标三维重构;同时,针对高分辨ISAR图像,进行了图像质量的定量评价方法研究。各部分主要内容如下所述:第一部分,主要解决高分辨ISAR图像的二维多视角特征增强融合问题。本文利用图像的结构信息,将一系列ISAR图像进行超像素简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)分割,并依据超像素中心构建ISAR图像之间的刚性旋转矩阵,将所有ISAR图像配准并融合。通过对序列航天飞机ISAR图像的实验,验证了本文方法可以精准提取配准所需的有效特征点,融合准确性高。第二部分,主要解决高分辨ISAR图像的目标三维重构问题。本文引入统计滤波方法对二维ISAR图像进行预处理,利用角点跟踪算法(Kanade-Lucas-Tomasi Tracking,KLT)提取并跟踪图像特征点,采用因子分解法(Orthographic Factorization Method,OFM)对一系列ISAR图像进行三维重构。通过对序列航天飞机ISAR图像的实验,体现了本文方法能够很好的平衡求解特征点坐标的运算量和三维重构的精度,适用广泛、效率高。第三部分,主要解决ISAR的批量成像质量评价问题。首先简单介绍了支持向量机(Support Vector Machine,SVM)分类器;随后介绍了卷积神经网络(Convolutional Neural Networks,CNN)进行有监督特征提取的方法。最后,提出一种主观评价和客观评价相结合的对ISAR的批量成像质量评价方法。通过对天宫一号ISAR仿真图像的实验,验证了本文方法具备实用性强、精度高的特点。