根据瑞利判据，通过光学系统的光束波长一定时，望远镜的分辨率随着系统口径的增大而提升。然而，一味地增加系统口径会带来巨额的成本压力，同时受制造技术、系统装调及有效载荷等方面因素制约，传统单孔径望远镜很难继续发展突破。合成孔径成像技术在这种背景下应运而生，通过多个分离镜面按照一定排布形式达到等效于大口径光学系统的成像能力。但是随之带来的共相误差必将是导致其高分辨成像性能受阻的关键因素之一，因此共相误差的检测校正具有重要现实意义。本文围绕共相误差中的活塞误差，引入强化学习框架，并通过仿真展开了研究，为合成孔径的共相问题提供了有效解决方案。

首先，分析了现有的光学合成孔径成像系统的进展状况，总结了当前共相误差的检测方法及其局限性，根据当前共相检测方法的主要问题挑战，提出了基于强化学习的共相探测方法，以寻得更实用的共相方法。

其次，通过传统望远镜成像原理，推导了合成孔径成像系统模型，从空域和频域探讨了共相误差对系统成像性能的影响，为后续工作的进展奠定了相应理论基础。

随后，对强化学习应用于合成孔径系统共相问题的可行性进行了探讨研究。根据共相方法中优化算法的思路，为使系统达到最佳成像性能，需要找寻过程中的共相误差的影响与最优校正动作之间的映射关系，对成像性能到控制信号的过程寻优，获得最优策略，在最优策略下系统的剩余残差表示了对当前共相误差的最大校正能力。马尔可夫的相关理论知识是解决时间序列问题的有效数学工具，可以将优化过程建模为马尔可夫决策过程来解决合成孔径的共相问题。论证了合成孔径系统状态转移的马尔科夫性，在此基础上共相误差的补偿校正过程属于马尔可夫决策过程。在马尔可夫理论框架下探讨了基于强化学习的合成孔径系统的优化方法。

最后，搭建了在双孔径阵列下的仿真系统平台，利用Q学习算法，以像清晰度评价指标为奖励函数，在策略探索期间采用随机策略，在此基础上验证了该方法在点目标及扩展目标下的共相探测结果。仿真结果表明，在最优策略下，该方法可在不同目标场景下可实现快速精准共相，同时具备一定稳定性和鲁棒性。