传统基于l1范数正则化算子(least absolute shrinkage and selection operator,LASSO)模型的合成孔径雷达(synthetic aperture radar,SAR)压缩感知类稀疏成像算法易丢失弱散射点.基于扩展型组LASSO系列模型的算法虽可增强SAR结构特征以保留弱散射点,但由于其增强过程中本质上采用了欧式距离方法进行特征分块,致使分块较为"机械",不能很好地提取目标结构,从而影响最终高分辨SAR成像质量.针对上述问题,提出一种基于形态学自适应分块的交替方向多乘子法(morphological auto-blocking alternating direction method of multipliers,MAB-ADMM)来实现高分辨SAR多特征表征.该算法通过建立基于形态学分块的lM/lF混合结构范数和L1稀疏范数来分别引入结构和稀疏先验,从而实现结构与稀疏多特征增强.由于采用了基于测地距离的形态学分块方式,MAB-ADMM算法能够更加有效地识别感兴趣的目标轮廓,从而提高结构增强的准确度和完整度.实验部分通过采用仿真复数据和实测SAR数据对所提算法和传统算法的成像结果进行定性对比,从而验证所提算法具有优越的多特征增强能力.此外,采用相变热力图对所提算法和传统算法的恢复能力进行定量对比,并利用MSTAR数据验证了所提算法可有效针对分类算法进行结果提升.