随着信息时代的飞速发展,人们对信息的需求量越来越大,携带信息的信号带宽也越来越宽,这给以奈奎斯特(Nyquist)采样理论为基础的信号获取及处理带来了极大的压力。为了减轻这种压力,近年来国际上提出一种名为压缩感知(Compressive Sensing CS)的信号获取理论,该理论对于稀疏或可压缩信号,能够以远低于奈奎斯特采样率的速率进行信号获取,同时能够从获取的少量数据中以高概率重构出原信号。该理论提出后立即在信号处理领域引起了学者们的广泛关注,并迅速成为研究热点,其研究成果大多集中在原信号的重构以及与重构相关的问题上。然而,对于信号检测和参数估计这类信号处理任务而言,常常不需要重构原信号,因为在这类任务中信号获取的目的并不是为了重构原信号,而是为了完成一个检测决定或估计某个参数。在压缩感知理论框架下,由于采样值已经保持了原信号的结构和信息,因此重构原信号后再进行信号检测或参数估计是耗费资源的。　　在上述背景下,作为压缩感知理论框架下的公开问题之一,国际上已经有部分学者对压缩感知理论框架下的信号检测与参数估计问题进行了相关研究,研究思路是不以信号重构为前提,直接面向信号检测或参数估计问题设计相应的算法来处理压缩感知采样值,进而完成信号检测或参数估计任务。由于该方向的研究刚刚起步,因此,目前的算法在检测性能、检测原理以及特定环境中的参数估计等方面仍存在一些问题值得深入研究。针对这些问题,本文在分析现有算法问题原因的基础上，以提高压缩感知框架下信号检测与参数估计性能为目标,研究了相应的解决方法。本文的研究内容对丰富压缩感知理论框架下的信号处理方法有重要的理论意义,同时其潜在的应用价值对于奈奎斯特采样理论框架下的信号处理方法也是一种重要的补充。　　本文的主要研究工作如下:　　1.针对目前基于部分重构思想的压缩感知信号检测算法中因判决特征量波动较大而影响检测性能的问题,提出一种基于正交匹配追踪的压缩感知信号检测算法。该算法基于正交匹配追踪思想,在算法的每次迭代中均对判决特征量进行更新修正,进而获得了波动较小的判决特征量。实验表明,与原算法相比,新算法在有效检测阈值区间、检测所需采样点数以及允许的信噪比环境等方面均具有优势,有效地提高了检测性能。　　2.针对目前基于部分重构思想的压缩感知信号检测算法中因检测阈值选择时间过长而影响检测效率的问题,提出一种基于稀疏系数位置信息的压缩感知信号检测算法。该算法使用了一种新的判决准则,将稀疏系数位置信息作为判决依据进行检测,有效地避开了使用蒙特卡洛模拟方式进行检测阈值选择的过程,提高了算法效率。实验表明,与原算法相比,新算法在保证检测成功率的前提下,极大缩短了检测所需时间。　　3.针对基于部分重构思想的压缩感知信号检测算法在原理上就不适于在低信噪比环境中进行检测的问题,提出了一种基于采样值数字特征的压缩感知信号检测算法。该算法跳出了基于部分重构思想的压缩感知信号检测算法结构,在推导出压缩感知采样值在两种假设下数字特征的基础上，将实际采样值与其在两种假设下数学期望的偏差作为判决依据,进而完成检测。实验表明,与基于部分重构思想的压缩感知信号检测算法相比,新算法在低信噪比环境中能够获得更高的检测成功率。　　4.针对现有压缩感知信号参数估计算法对窄带干扰中的线性调频信号参数估计效果不理想的问题,提出了一种基于形态学成分分析的线性调频信号参数估计算法。该算法基于形态学成分分析思想,使用两种字典稀疏表示混合信号,分别得到了窄带干扰和线性调频信号的稀疏表示,进而有效地将窄带干扰分离,降低了窄带干扰对线性调频信号参数估计的影响。实验表明,与原算法相比,新算法能够获得更高的参数估计成功率。　　5.针对基于形态学成分分析的线性调频信号参数估计算法时间较长的问题,提出了一种算法加速策略。基于该加速策略,算法在求解窄带干扰和线性调频信号的系数向量过程中,将分别考虑余量与两种字典内原子的相关性,进而降低了算法时间。实验表明,使用加速策略的快速算法在参数估计成功率方面与未加速的算法基本相当,但算法时间明显降低。