在现代信号处理系统中,由于带宽占用、能量供给、系统实现成本等实际约束问题,需要将模拟观测信号进行量化,然后再进行进一步地数据处理。信号的量化不仅使硬件设计复杂度降低、器件功耗少、占用通信带宽减小,而且量化传感器还具有成本低、物理尺寸较小、易实现高速率采样等优点。尽管具有上述优势,但信号量化会损失数据的信息、降低分辨率、使系统的估计性能降低,而且将非线性效应引入系统,这给信号参数的估计带来了诸多新挑战。在某些非线性系统中,适量加入随机噪声能够使得非线性系统性能得到优化,此即随机共振现象,为信号参数估计方法提供了新思路。随着非周期和超阈值随机共振等现象的发现,系统输入不再局限于单一频率的周期弱信号,随机共振也不局限于“共振”这一概念,如今在信号处理领域中随机共振现象被广泛的称为“噪声有益性”。本文研究了基于低分辨率观测值的贝叶斯估计器设计,探讨了分布式贝叶斯参数估计中的噪声有益性。本文首先理论分析了原始数据和人工噪声加入的新数据中参数估计的贝叶斯Cramér-Rao下界（BCRB）,以及这两类数据给出的BCRB之间关系,证明了依据新观测数据构造的最小均方误差（MMSE）估计器性能劣于基于原始数据设计的MMSE估计器性能的结论。虽然此结论指出了人工噪声应用的局限性,但是MMSE估计器计算复杂性大,经常难以得到解析解,因此实际信号估计问题中经常采用一些易于设计的次优估计器,也正因如此探索噪声有益才是可行的。对于随机标量参数估计,本文研究了贝叶斯参数估计中的噪声有益性。基于低精度量化器的观测数据,本文设计了四种贝叶斯估计器,并针对不同背景噪声类型,确定人工噪声的最佳分布,以减小参数估计的MSE。理论分析表明,在单个传感器（如二进制量化器）中最优人工噪声概率分布为狄拉克函数,即恒定偏差常数,但是噪声修正后的估计器性能还是劣于基于原始数据设计的MMSE估计器。对于分布式估计,本文理论证明了估计器中最优人工噪声分布不再局限于恒定的偏置常数,而是“真实的”随机分布。本文利用高斯核密度估计方法将噪声概率分布非线性泛函优化问题转化为带约束的有限维参数估计问题,以MSE为目标函数,利用序列二次规划算法求解噪声分布的最优参数,给出了最优噪声分布的近似表达。研究结果表明无论分布式估计中量化器的阈值是否相同,所设计的贝叶斯估计器总可以从最优人工噪声中受益,并有效地接近MMSE估计器的性能。针对随机参数向量估计问题,基于传感器的低精度观测数据,本文设计了分布式贝叶斯参数向量估计器,给出了该估计器的贝叶斯MSE矩阵理论表达式,在阵列传感器数目足够多的情况下,利用噪声有益性,提出了一种贝叶斯MSE矩阵的低成本计算方法以及对应的贝叶斯参数向量估计器。研究结果表明,通过调节估计器中噪声概率分布或噪声强度,对于每一个随机参数,所设计估计器的贝叶斯MSE得到显著改善。