在现代信号处理的实际应用中,许多信号类型常呈现出多维数据结构,传统的信号分析方法基于矩阵或向量建模,在处理这类问题时,只能将多维数据拉伸为二维矩阵或一维向量,这样极易破坏原始数据中的多维结构,从而不可逆地损失这部分结构信息,在很多情况下这会严重影响信号处理结果。基于张量分解的信号处理方法则不存在这一问题,这是由于张量分解模型具有多线性数据结构,在处理信号时不仅可以保留其多维信息,而且通过利用此类结构信息还能够获得比传统矩阵类方法更好的性能。以此为出发点,本文将张量分解方法引入信号多参数估计,主要研究了以下五个问题:第一,针对标量传感器阵列的入射信号波达角估计问题,本文提出了一种基于规范多元张量分解的L-型阵列二维波达角估计算法。该算法可利用阵列结构的多旋转不变性,在满足Vandermonde结构约束的情况下,可具有比传统ESPRIT算法更为宽松的应用条件。规范多元张量分解模型在列置换及尺度变换的意义下具有分解唯一性,利用这个性质,本文所提算法能够以高精度获得空间频率的参数估计。此外,文中采用一种具有对称结构的波达角表示模型并引入了交叉互相关矩阵信息协助完成二维角度匹配。第二,针对相干信源的波达角估计问题,本文提出了一种基于Tucker张量分解的均匀线阵波达角估计算法。当入射信号存在相干性的情况下,由于秩条件无法满足,现有估计方法往往会失效,在这种情况下,采用Tucker张量分解依然可以得到信号的子空间估计,并且由于综合了信号各模的结构信息,Tucker张量分解的子空间估计性能也优于传统基于矩阵分解的子空间类方法。第三,针对目标散射点具有块稀疏结构的聚束SAR成像问题,本文提出了一种基于Tucker张量分解的多模稀疏重构算法。该算法可充分利用SAR回波信号各模间的Kronecker结构信息,使其相较经典匹配追踪类方法具有更高的成功恢复上界。另外在计算资源占用方面,本文进行了计算复杂度分析和数值仿真实验,理论与实验结果均表明所提算法相比现有稀疏重构类方法具有更低的资源需求。第四,针对电磁矢量传感器阵列的部分极化波参数估计问题,本文提出了一种基于rank-（L₁,L₂,·）块因子张量分解模型的二维波达角估计算法。该模型具有与Tucker张量分解类似的模-n秩结构,同时也具有与规范多元张量分解类似的分解唯一性,本文具体分析了电磁矢量传感器阵列模型的秩条件;所提算法借助该张量模型的分解唯一性可以得到阵列导向矩阵的估计,从而自动完成方位角与俯仰角的估计与配对。最后,针对电磁矢量传感器阵列的全极化波参数估计问题,本文提出了一种基于rank-（L,L,1）块因子张量分解模型的波达角-极化参数联合估计算法。与rank-（L₁,L₂,·）块因子张量分解模型类似,rank-（L,L,1）块因子张量分解模型也具有分解唯一性,所提算法利用该性质得以完成阵列多参数的估计与配对。对于上述各算法,本文在每一章均进行了多组数值仿真以验证所提算法的有效性,实验结果与各章理论分析结论相一致。