La falta de celdas de rango de entrenamiento independientes e idénticamente distribuidas (IID) es uno de los factores clave que limitan el rendimiento de los métodos convencionales de procesamiento adaptativo espacio-temporal (STAP) para radar aéreo. Los métodos STAP basados en recuperación dispersa (SR) y en redes neuronales convolucionales (CNN) pueden obtener estimaciones de alta resolución del espectro espacio-temporal del desorden utilizando pocas celdas de rango de entrenamiento IID, para lograr una supresión efectiva del desorden. Sin embargo, el rendimiento de los métodos SR-STAP generalmente depende de los algoritmos SR, teniendo problemas de dificultad en la configuración de parámetros, alta complejidad computacional y baja precisión, y los métodos CNN-STAP tienen un alto requisito para la capacidad de mapeo no lineal de CNN. Para resolver estos problemas, las CNN pueden usarse para reducir los requisitos de los algoritmos SR para la configuración de parámetros e iteraciones, aumentando su precisión, y el espectro espacio-temporal del desorden obtenido por SR puede usarse para reducir la escala de la red de CNN, lo que resulta en el método propuesto en este artículo. Basándose en la idea del despliegue profundo (DU), el algoritmo SR se despliega en una red neuronal profunda, cuyos parámetros óptimos se obtienen mediante entrenamiento para mejorar su rendimiento de convergencia. Sobre esta base, la red SR y CNN se entrenan de extremo a extremo para estimar de manera eficiente y precisa el espectro espacio-temporal del desorden. Los resultados de simulación y experimentales muestran que, en comparación con los métodos SR-STAP y CNN-STAP, el método propuesto puede mejorar el rendimiento de supresión del desorden y tener una menor complejidad computacional.