探墙雷达利用电磁波可穿透非导体介质的特性,可对墙体内的目标和异常介质进行探测、定位、识别和成像,在安防、建筑施工和军事等领域得到了广泛的应用,因而成为了当今研究的热点。然而,墙体对电磁波的衰减和色散现象会极大削弱目标回波强度,这对墙体内弱目标的探测和成像带来了极大的挑战。此外,电磁波在墙体表面和内部的折射、反射会造成目标图像中存在多径虚像进而变得模糊。因此,本文在充分理解探墙雷达工作原理以及雷达基本成像理论的基础上,结合雷达信号的物理模型和深度网络对墙体内异常介质成像提出了以下几个研究内容:本文首先介绍了探墙雷达场景和信号的物理模型,从信号的组成角度阐述了雷达信号与墙体、目标之间的作用关系。分析了电磁波从天线到目标之间的传播路径和传播时延计算方法,并分别利用后向投影法、逆散射法和压缩感知对墙体内目标进行成像。其中后两种方法通过优化目标误差函数得到最优参数值,进而为后续的成像网络设计提供理论指导依据。其次,研究了结合深度学习网络的墙体内异常介质探测和成像问题,以压缩感知为理论基础,提出了一种基于雷达信号物理模型驱动的深度学习成像网络。首先,使用卷积神经网络先验项替代压缩感知中的正则化项以提取雷达回波数据中的高维信息。此外,将雷达信号物理模型融合进数据保持项中以便保证算法与测量值的一致性。最后将压缩感知迭代求解框架展开形成一个深度学习成像网络CS-Net,并基于gprMax仿真数据对目标成像进行性能分析。该方法的优势在于克服了传统压缩感知对不同场景适用的局限性和目标细节重构上的不足。最后,针对探墙的场景设计了手持式探墙雷达成像系统和大面积墙体内目标成像系统。其中手持式成像系统将二维后向投影扩展至三维空间,并利用特殊椭球体焦点与弦长的关系对传播时延进行匹配,该方法可有效减小传播时延匹配的时间。在大面积墙体成像系统中,本文提出了一种基于全卷积神经网络的大面积墙体成像网络STW-Net。该网络通过提取墙体每个邻近位置子图的冗余信息,进而完成对大面积墙体的二维成像。最后,搭建了大面积墙体成像系统的标准实验环境,基于实测数据验证目标成像的有效性和可靠性。结果表明该方法具有相较于传统拼接算法具有更高的重构精度和细节还原度。