相比于传统雷达,多输入多输出(Multiple Input Multiple Output,MIMO)雷达体制的突出优势主要体现在:此类新型体制能够利用各种分集技术克服雷达散射截面(Radar Cross Section,RCS)起伏,获得超出实际收发天线数目的信号观测通道,提高目标探测能力和参数估计精度,具有抗干扰、抗隐身等方面的潜力。但是在具有高分辨率和多信号通道优势的同时,MIMO雷达体制也带来了海量的待处理数据。将传统雷达的参数估计方法应用到MIMO雷达系统中,致使原本就海量的数据规模更加庞大,不利于雷达信号的实时处理。而事实上,因为大部分雷达场景下的目标密度非常小,所以目标的稀疏性和系统海量数据运算的复杂度形成了一种极大的信息不对等,成为将压缩感知(Compressed Sensing,CS)思想应用于MIMO雷达系统的契机。压缩感知技术突破了香农采样定律,能够极大节约系统计算量和硬件成本开销,具有巨大的潜在应用前景。用现有的CS重构算法估计MIMO雷达系统的目标参数精确度受限,导致算法性能不理想的主要原因之一是基不匹配问题(真实目标偏离预先设定的网格点)。针对此问题,本文主要研究在网格失配情况下如何重构稀疏信号以及如何进行网格自适应调整,以实现良好的MIMO雷达目标参数估计性能。本文主要贡献如下:1.详细介绍了 CS理论框架,分析了目前主流的稀疏重构思想。之后研究了 MIMO雷达的原理及其分类特征,以集中式MIMO雷达为例建立数学模型,并拓展常用的空间谱估计方法解决单基地MIMO雷达的DOA估计问题,详细分析对比了 MIMO-CAPON、MIMO-MUSIC、MIMO-ESPRIT算法的实现过程。2.针对传统空间谱搜索计算量较大且估计准确度欠佳的问题,本文考虑目标的稀疏特性,建立稀疏回波信号模型,并基于此构建了一阶逼近的稀疏观测字典,进而提出了网格自适应DOA估计算法(GADE)。该估计算法基于稀疏贝叶斯学习思想实现两层迭代,在内层完成稀疏恢复、网格偏差学习和参数更新,在外层完成重建稀疏观测字典。所提算法通过内外迭代实现了网格自适应的效果,有效降低了基不匹配问题造成的估计误差。3.为解决目标角度-距离联合估计问题,本文建立FDA-MIMO雷达系统模型,推导回波信号与距离和角度的关系,构建二维角度-距离域网格和估计模型,并基于层级概率模型详细推导了角度-距离域网格偏差矢量的更新公式,进而提出了网格自适应角度-距离联合估计算法(GAJARE)。该算法首先实现角度-距离的初步估计,然后基于稀疏贝叶斯学习的方法不断修正网格误差,因此算法不仅具有良好的估计准确性,而且提高了初始角度和距离网格粒度设置的灵活性。此外,该算法无需额外的角度和距离配对过程即可实现目标定位效果。