作为一种新体制雷达,多输入多输出(Multiple Input Multiple Output,MIMO)雷达具有许多传统雷达所不具备的优势。但是,同其它传统高分辨率雷达系统一样,MIMO雷达面临着采样率过高、数据量大、实时处理困难等问题的挑战。近年来出现的压缩感知(Compressive Sensing,CS)理论突破了Nyquist采样定理的限制,将对信号的采样转变为对信息的采样。它在降低雷达系统的采样要求,提高雷达参数估计性能等方面有着巨大的应用潜力。本文以将压缩感知更好地应用于MIMO雷达参数估计中为目的,主要研究内容如下:首先,介绍了MIMO雷达研究背景与分类,建立了共址MIMO雷达回波信号模型,在此基础上研究了LS方法、Capon方法、APES方法以及CAML方法在共址MIMO雷达参数估计中的应用。通过仿真实验对四种方法的估计性能进行了详细的比较与分析,并指明了各种方法的优劣之处。其次,从信号的稀疏表示、采样矩阵的设计与优化以及信号重构三方面对压缩感知理论进行了深入探讨,提出了稀疏信号精确重构的条件,重点研究了一种感知矩阵优化方法,该方法可以有效降低采样矩阵的相关性。对该领域内常用的稀疏信号重构算法进行了详细介绍,并对各方法的重构性能做了仿真实验与比较分析。最后,建立了共址MIMO雷达回波信号稀疏模型,并将压缩感知理论应用于MIMO雷达参数估计中。针对传统方法普遍存在噪声中重构算法稳健性不高的缺点,本文重点研究了一种基于贝叶斯模型的MIMO雷达参数估计方法,利用最大后验概率方法对问题模型求解,在估计了感兴趣信号的同时,也估计了噪声,仿真实验表明该方案可以大大提高MIMO雷达参数估计对噪声的鲁棒性,并且与传统方法相比,在相干累积时间较短的情况下也能得到较好的参数估计结果。此外,为了进一步发挥压缩感知在MIMO雷达参数估计中的优势,本文提出了一种压缩感知前置的MIMO雷达参数估计模型,并理论推导出了一种基于Kronecker压缩感知的信号处理模型,利用该模型能够对时延做出精确估计。