合成孔径雷达（Synthetic Aperture Radar,SAR）具有全天候、全天时、远距离、高分辨对地观测的优势,朝着多平台、多通道、多功能、多极化方向发展。利用多通道SAR系统,可增加回波信号的空间维信息,实现对观测区域的地面运动目标指示（Ground Moving Target Indication,GMTI）,极大提升了SAR系统对运动目标观测能力,在军事和民用方面具有重要的应用价值和发展前景。然而,机载和星载平台下的多通道SAR-GMTI系统在处理实际复杂观测场景时仍面临许多共性问题。首先,实际观测场景通常覆盖不同类型的地物杂波,其散射系数起伏较大,导致杂波分布非均匀,使得空时自适应杂波抑制能力下降,残余孤立强杂波点,虚警概率升高。其次,实际观测场景中通常包含多个运动目标,目标运动参数导致运动目标图像散焦和方位向偏移,临近目标容易产生混叠和旁瓣干扰,甚至造成虚假目标,使得多个运动目标同时聚焦成像困难。慢速目标与地物杂波的通道间干涉相位差异较小,目标多通道自适应滤波响应接近杂波抑制凹口,导致输出信杂噪比（Signal Clutter Noise Ratio,SCNR）降低,难以实现慢速目标检测,更加无法得到聚焦的目标图像。因此,针对实际复杂观测场景下存在的运动目标检测与成像问题,本文利用多通道SAR复数域数据在空间维和时间维的有效信息,并引入稀疏重构、深度学习等理论,开展多通道SAR地面运动目标检测和成像方法的研究,主要包含如下四个内容:1.本文利用运动目标稀疏先验知识提出基于DPCA-BCS的双通道SAR杂波抑制方法,首先对方位向少量观测数据进行偏置相位中心天线（Displaced Phase Center Antenna,DPCA）预处理以对消部分背景杂波,然后建立稀疏观测模型,对运动目标引入Laplace先验分布,采用贝叶斯压缩感知（Bayesian Compressive Sensing,BCS）方法实现运动目标重构和杂波抑制。进一步提出基于STAP-BCS的多通道SAR杂波抑制方法,将空时自适应处理（Space Time Adaptive Processing,STAP）技术与稀疏贝叶斯学习相结合。最后通过仿真实验和实测数据验证所提算法在降低观测数据量的同时获得较好的杂波抑制性能。2.针对非均匀复杂杂波环境下的运动目标检测问题,本文通过扩展信号空间维和时间维信息,提出基于改进高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GMPHD）滤波器的多通道SAR运动目标检测方法。首先基于子孔径方式生成SAR多角度图像序列,并利用多通道杂波抑制和恒虚警初步检测获取运动目标观测信息。通过分析目标径向速度对目标位置的影响,建立多目标状态和观测的随机有限集模型。针对传统GMPHD滤波器在SAR-GMTI中的问题,提出适合SAR图像序列的改进GMPHD滤波器。最后通过仿真实验和实测数据验证所提算法在非均匀复杂杂波环境下具有较高检测概率和较低虚警概率,并实现目标重定位。3.针对SAR多运动目标聚焦成像问题,本文利用多运动目标信号的多分量线性调频信号形式和运动目标的稀疏特征,提出基于Chirplet-BCS的多运动目标成像方法。首先构建多目标稀疏观测模型,由于观测矩阵依赖于未知的目标运动参数,采用基于Chirplet基的自适应分解实现目标调频率参数估计,有效避免交叉项的干扰,利用调频率参数构造观测矩阵,然后采用BCS稀疏重构算法实现运动目标精确重构。通过仿真实验和实测数据验证所提算法具有较好的聚焦成像质量和剩余杂波抑制能力。4.本文将深度学习理论引入到SAR运动目标成像领域,研究了基于深度卷积神经网络的多通道SAR慢速多运动目标快速成像方法。针对SAR多运动目标快速聚焦成像问题,提出基于卷积神经网络的SAR多运动目标快速成像方法。所提成像网络Deep Imaging利用残差学习策略实现特征与梯度的有效传递,通过监督学习的方式实现网络参数更新,最终建立适用于成像场景的成像模型,实现运动目标快速聚焦成像。Deep Imaging依赖于多通道杂波抑制结果,对慢速目标难以检测与成像。针对该问题,本文将多通道杂波抑制任务集成到网络中,提出基于复数域卷积神经网络的多通道SAR慢速多目标成像方法,所提复数域成像网络CV-GMTINet将特征图和网络参数扩展到复数域,不仅把复数域数据作为网络输入,还在整个网络中传播相位信息。网络结合密集网络与残差网络的优点,自适应学习单通道和通道间有效特征,并提高特征与梯度的传递效率,缓解梯度消失问题。使用复数域反向传播算法求解网络复值参数的梯度,通过基于梯度的参数优化算法实现复值参数的更新。通过实测数据验证所提方法在运动目标成像性能和杂波抑制能力方面优于传统方法和实数域网络。