机载气象雷达技术的发展和应用,为保障民航飞机飞行安全发挥了巨大作用。低空风切变是威胁飞机起飞降落的主要危险天气现象,此时机载气象雷达工作在下视模式,接收信号中风切变目标信息会被地杂波淹没,无法有效的完成低空风切变检测,因此首先需要抑制杂波。空时自适应处理（Space-time Adaptive Processing,STAP）可以有效的实现相控阵体制下机载气象雷达杂波抑制,但传统STAP技术需要独立同分布（Independent and Identically Distributed,IID）样本数达到系统自由度的2倍或以上,才能保证输出信噪比在3d B以下。然而在机载气象雷达探测风切变过程中,当地面环境复杂、分布不均匀时,无法满足IID样本数需求,进而导致STAP技术的检测性能严重下降,影响风切变检测结果的准确性。因此,研究IID样本不足情况下准确检测低空风切变具有十分重要的实际意义。基于STAP技术,本文主要研究了IID样本不足时低空风切变检测问题。第一,提出了一种多观测向量快速稀疏贝叶斯学习（Multi-vector Fast Sparse Bayesian Learning,MFSBL）STAP的低空风切变检测方法。首先基于杂波谱在空时平面的稀疏特性,利用先验信息辅助杂波空时导向字典的构造,避免了网格失配和字典间相关性过强的问题。其次在SBL算法的框架下,利用波束形成的思想减少了SBL迭代计算过程中大量矩阵求逆运算,降低了算法的复杂度,加快了估计杂波协方差矩阵的运行时间,并且仅需要极少数IID样本就可以准确恢复杂波协方差矩阵。最后构造STAP滤波器。有效的提高了杂波抑制效果,实现IID样本数不足时风切变风速的准确估计,完成了低空风切变检测。第二,提出了一种贝叶斯估计知识辅助（Knowledge-Aided,KA）STAP的低空风切变检测方法。首先在贝叶斯估计框架下,基于雷达回波统计特性,将杂波协方差矩阵建模为随机变量,并为其确定合适的先验概率密度分布函数,使用数字高程模型（Digital Elevation Model,DEM）、数字地表分类数据（Digital Land Classification Data,DLCD）和雷达系统参数确定概率密度分布函数中的参数。其次利用贝叶斯自适应检测,在MAP估计准则下得到了IID样本数不足时杂波协方差矩阵的准确估计。且该算法复杂度低,计算量小。最后构造STAP滤波器,实现了IID样本不足时低复杂度算法对风切变风速的有效估计,完成了低空风切变的准确检测。