摘要：机载合成孔径雷达高度计(SARA)由于具有高航向分辨率,因此受到广泛关注。然而,现有的SARA地面高程重跟踪方法多基于最小二乘算子,高程参数估计精度和算法抑噪性能均存在上限,容易造成高程参数估计结果过拟合,对复杂高程变化适应能力有限。为此,该文提出一种基于参数化贝叶斯统计学习方法的机载SARA重跟踪算法(PR-Bayes)。通过引入目标场景地形先验概率模型,并结合模型驱动机器学习方法,可实现对目标高程信息重跟踪可信估计,从而有效避免估计参数过拟合问题。该算法基于布朗模型(BM)对SARA回波进行复杂模型参数反演,并设计哈密顿蒙特卡洛(HMC)统计采样器,实现对目标场景地形高度的参数估计。基于该文所提算法,分别通过点目标模拟和DEM半实物模拟对该算法进行有效性验证及高程参数估计精度验证,并通过实测数据验证该算法的实用性。