密集群目标指的是空间位置临近、速度、运动方向基本一致,各成员协作完成任务的多个目标的集合。当群目标内的各个目标均位于同一波束宽度、多普勒单元或距离单元内时,各个目标的空间位置及运动参数相似,因此回波信号在空域、时域或频域上均难以分辨,对雷达测量造成了严重危害。本文针对上述问题,基于联合分辨原理,对密集群目标分辨及参数估计方法进行研究,主要工作分为以下三个方面:1.建立了包括目标方位角、速度和距离等参数信息在内的多维谐波信号模型。由均匀线阵发射线性调频信号,接收到的回波信号经过下变频、解调频和采样后,将采样数据按照阵元序号、慢时间采样序号和快时间采样序号排列成张量形式构成三维谐波信号,通过模型简化得到了降维后的二维谐波信号与一维谐波信号,将其统称为多维谐波信号模型。并利用模糊函数分析了多维谐波信号的分辨性能,计算机仿真实验表明了在所提出的多维谐波信号模型中,三维谐波信号具有最好的分辨性能,且分辨能力较二维谐波信号与一维谐波信号明显提升;2.实现了基于稀疏恢复的参数估计。由于密集群目标场景难以获得大量独立同分布的快拍数据,常规阵列信号处理算法性能严重下降,因此本文将多维谐波信号模型与稀疏恢复理论相结合,推导了基于向量与张量两种稀疏恢复模型的参数估计方法,并进一步分析了常用向量与张量稀疏恢复算法在密集群目标分辨时的算法性能,将向量稀疏恢复SBL-FP算法作为基于稀疏恢复参数估计的核心算法。计算机仿真实验表明所提出的多维谐波信号模型与参数估计方法具有提高密集群目标分辨性能的能力及良好的参数估计性能,尤其在低信噪比时算法性能明显提升,且在单快拍条件下与常规阵列信号处理算法相比,所提算法具有更高的分辨成功概率和更低的均方根误差。3.实现了基于张量分解的参数估计。由于多维谐波信号经过向量化后容易造成内存占用大、运算复杂度高等问题,因此本文将多维谐波信号模型与张量分解理论相结合,推导了基于张量平行因子分解的参数估计方法,并进一步分析了常用平行因子分解算法在密集群目标分辨时的算法性能,将LM算法作为基于张量分解参数估计的核心算法。虽然在相同条件下,基于张量分解的参数估计方法性能不如稀疏恢复,但由于其采用张量建模的思想模型扩展性更高,因此本文给出了三种多维谐波信号模型的扩展方式。计算机仿真实验表明了三种扩展模型均可以进一步提升密集群目标的分辨能力及参数估计性能,相比稀疏恢复算法具有更高的分辨成功概率和更低的均方根误差,且运算复杂度大幅降低。