近年来,以层析SAR（Synthetic Aperture Radar）成像技术为代表的SAR三维成像技术成为了遥感领域研究的热点之一。层析SAR成像技术可以通过现有的成像数据反演出目标的三维电磁散射结构,得到成像场景的SAR三维点云,在地形测绘、城市目标识别等应用具有重大意义。SAR三维点云相比与光探测系统、RGBD（Red Green Blue Depth）相机生成的点云数据,具有成像场景完整、特征语义性强等优势,使SAR三维点云具有丰富的语义特征和巨大的研究价值。但是三维SAR点云数据数量密集、具有无序性以及非结构化的问题,使SAR三维点云语义分割变得困难。因此,本文针对层析SAR三维点云的分割问题,展开了基于图卷积神经网络的语义分割算法的研究,并验证算法的语义分割性能;同时通过研究图信号处理的相关知识,提出了一种基于图信号处理的目标联合估计方法,增加了目标成像的分辨率。本文主要的研究内容与创新点如下:1、介绍了层析SAR三维成像的原理、图信号处理原理。首先对层析SAR三维成像进行理论推导,给出了层析SAR三维点云成像的流程;其次对图信号处理方法在非结构化数据上的理论进行阐述,并推导了图卷积神经网络的结果和层级表达式。2、针对层析SAR三维点云的分割问题,提出了基于图卷积神经网络（Graph Convolutional Network,GCN）的SAR三维点云的语义分割算法。分析了其在SAR三维点云数据上的空间特征以及边缘特征的提取能力;然后提出了一种基于图卷积多层感知机（Multi-Layer Perception,MLP）的改进Point Net语义分割神经网络,通过最远点采样的方法进行点云降采样,对三维点云数据进行邻域图构建,把这些邻域点的特征构建成图信号,通过计算邻域区域的拉普拉斯矩阵实现局部特征的学习;最后,训练Point Net图卷积网络模型并验证其在三维SAR点云上的语义分割的性能,通过对比实验分析了图卷积神经网络在语义分割上的性能提升。3、针对图信号处理在雷达阵列目标估计方面的应用问题,提出了基于图信号处理的目标二维联合估计算法。首先,对传统的波达方向估计（Direction of Arrivals,DoA）目标估计算法原理进行了简要描述,并提出传统目标估计算法对相位信息利用缺失的缺点;其次,提出一种基于图信号算法的阵列相位数据模型,针对不同的阵列的排列以及相邻相位情况构建响应的图信号结构;然后,提出相应的图信号算法的通用求解算法,通过搜索域的构建完成对目标参数域的遍历从而得到目标估计结果;最后,通过蒙特卡洛实验对图信号联合估计算法进行了分析和验证,证明了图信号处理算法在目标联合估计上相对传统算法的性能提升。