为了获取高分辨雷达图像,往往需要发射大带宽的信号。根据Nyquist采样定理可知大带宽带来的是采样频率增加,那么采样后的回波数据量也必将增加,这就提高了数据传输、保存、处理等难度,同时也加大硬件复杂度。近几年兴起的压缩感知(Compressed Sensing,CS)理论指出信号在满足一定条件下利用欠采样数据就可以高概率或者精确重构。雷达科研工作者结合该理论提出了基于CS的雷达成像方法,使得雷达成像可以在低于Nyquist采样频率下进行。CS雷达成像方法是将雷达场景进行列向量处理,这样导致后果就是需要花费大量时间进行优化求解,不能达到实时性成像处理且成像有效性较差,目前该方法只能处理较小的场景。为解决上述CS雷达成像方法效率低,复杂度高的问题,许多雷达科研工作者都展开了深入研究并发表相关的文献,其主要解决思想就是对雷达场景的距离向或者方位向利用CS方法进行处理。虽然可以提高成像效率,但是操作复杂或者仍需要某一向满足Nyquist采样定理,并没有从本质上解决问题。于是本文结合矩阵论中的Kronecker积相关知识,对比传统CS雷达成像方法,提出了基于Kronecker积的CS雷达成像方法并且分析了其可行性。然后将它应用在逆合成孔径雷达(Inverse SyntheticApertureRadar,ISAR)、合成孔径雷达(SyntheticApertureRadar,SAR)成像中。ISAR多用于飞机、导弹、舰船等目标的探测和成像,这些目标相对于整个ISAR场景来说可以认为是稀疏的,所以文中首先假定ISAR场景满足稀疏性,然后在ISAR转台模型下分析ISAR场景回波公式,建立ISAR回波的Kronecker积模型,接着提出了基于Kronecker积的CS-ISAR成像方法。在该方法中,首先引入辅助变量代替场景方位向观测后的结果,然后对场景方位向和辅助变量距离向同时做稀疏约束并转化为无约束优化问题,针对该问题利用交替方向法(Alternating Direction Method,ADM)求解。文章中通过实验验证了该方法的优越性能:较低的时间复杂度以及高分辨特性。最后本文将Kronecker积模型也应用在复杂SAR场景的成像中。由于SAR场景复杂除了建立SAR回波的Kronecker积模型,还讨论了利用全变差(Total Variation,TV)对SAR场景作稀疏变换,然后才构造基于Kronecker积的CS-SAR成像优化模型,最后利用Split-Bregman重构方法进行求解。由于该方法成像过程中,直接对场景散射稀疏矩阵操作,避免了传统CS向量化的方式,因此大幅减小了观测矩阵维度并且大大减低了计算复杂度。最后通过多组实验验证了该方法的优越性。