分布式雷达是一个重要的领域,长期以来备受关注。在早期的分布式雷达中,对航迹融合和点迹融合等信息融合技术进行了深入研究。在这些技术中,通过分布式雷达站来检测目标。随着通信技术的快速发展,基于信号融合的检测通过利用来自分布式雷达站的原始观测来检测潜在目标可以更好地提高检测性能。理论上,信号级融合检测可以获得最佳的检测性能,但这会使得局部雷达站与信号融合中心之间具有过度的通信量。为了降低通信量,提出了可以在保持高检测性能的同时量化局部观测值的量化融合检测算法。与此同时,局部观测值经常会因为拥有不同的信噪比(SNR)而可能对检测性能造成恶化。为了解决上述两个挑战,首先研究一种根据局部观测值的信噪比来对其加权的融合方法。本论文的研究内容归纳如下:1.介绍了量化与未量化数据的分布式检测算法。首先,介绍了分布式雷达的单脉冲和多脉冲信号级融合检测算法。给出了单雷达站信号模型,并推导了其检测统计量的统计特征。推导了分布式多雷达站信号级融合检测算法。在不同场景下仿真分析了单元平均恒虚警(CA-CFAR)和广义似然比检测器(GLRT)的信号级融合检测算法。其次,还研究了具有量化数据的分布式检测。为了找到良好的量化门限值介绍了几种现有的量化算法,并将它们的检测性能与基于信号融合的算法进行对比。2.在实际中通道信噪比可能不同的情况下研究了具有异构数据的分布式检测。基于检测性能曲线和信噪比估计的先验信息,提出了几种信噪比加权算法。在局部检测统计量具有不同的统计分布和不同的信噪比的情况下分析了分布式单元平均恒虚警和广义似然比检测器的性能,仿真表明它们难以达到最优点但性能损失通常是微不足道的。3.提出了两种低计算量的量化融合检测算法,一种量化融合算法从直观的关注点设计,另一种基于标准化变换。直观量化方法的设计符合最优分布式决策边界上的点具有相同似然比的概念。因此,我们施加约束,即量化后的边界块具有相同的似然比。另一种量化融合算法基于似然比变换,以获得边界块的最小均方误差来得到量化结果。这两种方法都具有较低的计算量,能够在具备高检测性能的同时高效的融合异构数据,在信噪比估计误差为3dB时信噪比损失小于0.25dB。