参数估计的准确性在经济、社会以及数学、物理等模型和实验中起着重要的作用.为了衡量估计算法对相近信号的区分能力,本文引入了参数分辨率的概念.参数分辨率是估计算法在给定的噪声水平下有效区分不同参数的能力.本文系统地研究了参数分辨率,给出了参数分辨率的计算框架,参数分辨率是分辨率概念的自然延伸,以幂律模型为例说明参数分辨率概念的合理性,可行性和有效性.本文主要研究工作如下:1.系统地研究了参数分辨率,提出了一种基于分类而不是聚类的计算参数分辨率的框架.这个框架可以用于不同的模型和算法以及非高斯噪声.本文选择幂律模型以及相应的算法和区分标准作为具体研究对象,表明参数分辨率总是可计算的.2.选择幂律模型,利用非线性最小二乘法以及极大似然法的参数估计结果进行了参数分辨率的具体研究.为了研究参数分辨率和各影响因素的关系,本文通过选择不同的区分方法、估计算法、参数值以及噪声类型等来探索参数分辨率与各因素间的规律.研究表明:分类算法的误分率更低,lsqcurvefit算法可以区分开更相近的两个信号;随着参数值的增大,参数分辨率的精度更低,即相近的信号更难被分开且局部参数的分辨率差异较小;通过理论证明发现当参数估计是渐近正态时,参数分辨率可以由区间估计进行预测,其他情况也都可以通过实验计算得到;参数分辨率随着信噪比的增大精度变高,随着噪声强度的增大而降低.最后,通过改变显著性水平,对比了理论值以及实验值,验证了利用区间估计计算参数分辨率的可行性.3.为了验证对于同一模型来说,不同的算法对相似信号的区分能力也有差异,本文结合2020年中国福布斯富豪排行榜数据,分别选择lsqcurvefit和nlinfit两种算法进行了对参数分辨率的计算,结果表明lsqcurvefit对同一数据的区分能力更好,为今后区分相似信号的算法选择中提供了参考;然后选择该算法对近十年全球Pareto指数进行计算,对贫富差距进行了分析.