极化敏感阵列能够同时获取信号的波达方向（Direction of Arrival,DOA）和极化信息,相比标量阵列优势显著,广泛应用于各种军事、民事领域。然而传统极化敏感阵列往往是基于半波长布阵的均匀阵列,固定阵元数下的阵列孔径与空间分辨率都受到限制。与传统均匀阵列相比,互质阵列可有效扩展阵列孔径和提高空间自由度,拥有更优越的测向性能、更高的分辨率等优势。开展极化敏感互质阵列中的多维参数估计研究具有重要的理论价值与应用前景。而多维参数估计中往往存在计算复杂度高或参数配对问题,因此论文以实现多维参数联合估计为导向,以权衡估计精度与复杂度为基准,研究了极化敏感互质阵列的DOA和极化联合估计算法。主要工作总结如下:1)针对多维谱峰搜索带来过高计算复杂度的问题,提出极化敏感互质阵中两种基于降维谱峰搜索的DOA和极化估计算法,包括线阵中的降维Capon算法和面阵中的降维多重信号分类算法。该类算法在利用旋转不变性原理得到DOA初估计的基础上,通过对导向矢量进行变换,构建二次优化问题并结合拉格朗日乘子法进行降维,将三维/四维全局谱峰搜索转化为关于角度的一维局部谱峰搜索,并能获得极化估计的闭式解,在保持高估计精度的同时,计算复杂度得到显著降低。在相同阵列参数下,所提算法在极化敏感互质阵中能够获得优于在极化敏感均匀阵列中的参数估计性能。2)针对极化敏感互质面阵接收信号的多维特点,提出极化敏感互质面阵中一种基于平行因子的快速收敛四线性分解算法。首先引入平行因子模型,将极化敏感互质面阵两个子阵的接收信号构建为两个四线性模型。进一步,针对传统平行因子方法由于多维参数迭代导致复杂度较高的问题,利用传播算子算法进行初估计,进而初始化四线性模型的承载矩阵,然后采用四线性交替最小二乘算法进行迭代求解。所提算法能够实现与传统平行因子四线性分解算法相同的参数估计性能,且由于对承载矩阵进行了初始化,算法收敛所需迭代次数显著减少,从而大大降低了算法复杂度。此外,所提算法能够充分利用阵列接收信号数据的高维特性,参数估计性能优于传统的子空间类算法。3)针对传统解模糊方法存在子阵间信息损失及模糊值配对出错的问题,提出极化敏感互质线阵中两种充分利用整个阵列接收信息的降秩求根算法。第一种算法引入阵列映射的思想,利用全阵接收信号的信号子空间,建立子阵间的映射关系并重构谱函数,充分利用全阵信息并可通过该映射关系避免不同信源的模糊角度错误配对问题;第二种算法基于阵列抽取的思想,将整个极化敏感互质线阵看作由极化敏感均匀线阵抽取部分元素得到非均匀阵,利用对应的阵列抽取关系重构谱函数,无需额外解模糊即可获得无模糊的角度估计,且能获得相比于全阵分解类算法更高的空间自由度。此外,在重构空间谱函数后,两种所提算法基于降维变换、降秩准则和多项式求根思想,将高复杂度的三维谱峰搜索转化为一元多项式求根进行角度估计,通过构建二次优化问题并结合拉格朗日乘子法估计极化,在保持高估计精度的同时大大降低了复杂度,且算法无需进行初始估计和谱峰搜索。