现代雷达系统为了更有效地检测和跟踪目标,通常需要采用大带宽、多通道的信号处理方式来提升雷达对目标（如距离、速度、角度等参数）的最大探测范围、分辨率、测量精度等探测性能。受限于奈奎斯特采样定理,大带宽往往会带来高采样率和大数据量等问题。然而,目标在雷达探测背景中是高度稀疏的,有效的目标信息只占海量雷达数据的极少一部分,造成了雷达系统在实现目标检测时的资源浪费和效率低下。近年来压缩感知（Compressive Sensing,CS）理论从信号采样的角度为解决上述问题提供了可能。压缩感知雷达（Compressive Sensing Radar,CSR）可以在极大降低采样数据的同时,保证目标信息的完整。然而主流的CSR只是将压力从前端的信号采集转移到了后端的信号处理,即需要通过复杂的信号重构算法来完成目标的检测和跟踪,这与降低雷达系统的复杂度和提高系统的实时性是相悖的。因此学者们研究了直接处理压缩量测的第二类CSR。该类CSR在压缩采样与处理（Compressive Samping and Processing,CSP）框架下,不重构雷达信号,直接在压缩量测域完成目标的检测、识别、跟踪、分类等任务,充分发挥了CS理论在雷达信号采集、传输、处理等方面的优势。但是在CSP框架中,由压缩量测导致的低信噪比问题严重制约着CSR的性能。低信噪比可能会引起CSR的一系列问题,如压缩采样实现难度大、压缩采样算子性能下降、压缩检测器无法检测到目标等。压缩采样算子作为CS理论的核心环节,同时也是CSR的重要可设计模块,是解决上述问题的重要途径。为了提升压缩量测域中雷达目标的检测和跟踪性能,本文将“直接利用压缩量测的雷达信号处理”和“目标检测和跟踪优化”相结合,以压缩量测域中雷达目标的有效检测为研究目标,以包含目标跟踪结果的信号子空间估计和最优压缩采样算子设计为主要技术手段,展开了一系列研究,主要的贡献和创新如下:（1）研究了脉冲重复率压缩采样器。针对主流模拟-信息转换器（Analog to Information Converter,AIC）的高速率混频电路不易工程实现的问题,利用雷达连续脉冲强相关性,提出了一种脉冲重复率压缩采样器。该方法充分利用了雷达信号在快时间距离维和慢时间脉冲维的稀疏特性,设计了结构更优的压缩采样算子。相比于只采样单个脉冲的随机解调器（Random Demodulation,RD）,所提的方法更易于工程实现,且数据压缩率更高。（2）研究了单目标压缩检测和跟踪的分步优化方法。首先,针对由低信噪比引起的压缩检测器性能下降的问题,研究了一种单目标跟踪前置压缩检测器。该检测器根据目标跟踪结果设计了最优的压缩采样算子,从而优化了下一时刻的压缩采样和压缩检测。其次,利用提出的压缩量测域Mean-Shift定位法实现了目标在压缩量测中的具体定位。最后,针对压测量测噪声慢速时变问题,通过建立多种量测噪声模型,提出了一种多模型滤波算法;针对压测量测噪声快速时变问题,利用变分贝叶斯方法近似估计量测噪声,提出了一种自适应卡尔曼滤波算法。本研究遵循了先跟踪后检测的思路,实现了对单目标检测和跟踪的分步优化,实验结果验证了所提方法的有效性。（3）研究了单目标压缩检测和跟踪的联合优化方法。针对检测和跟踪的单独优化或分步优化无法找到系统全局最优解的问题,提出了一种单目标压缩检测和跟踪的联合优化方法。该方法将最优贝叶斯联合决策和估计理论引入到CSP框架中,推导出了一个全新的联合优化风险函数,并给出了该函数的最优解。该方法采用双闭环反馈结构,目标跟踪结果既被用于优化压缩采样算子和压缩检测器,也被用于优化下一时刻的目标跟踪。实验结果验证了该方法在联合检测和跟踪性能上的全局优越性。（4）研究了多目标压缩检测和跟踪的分步优化方法。针对现有的雷达多目标跟踪系统中雷达数据量大、基于数据关联的跟踪算法实时性差等问题,提出了一种多目标压缩检测和跟踪的分步优化方法。该方法首先将单目标跟踪前置压缩检测器和定位法扩展至多目标问题中,然后利用概率假设密度（Probability Hypothesis Density,PHD）滤波器处理由压缩检测器得到的目标参数,从而避免了数据关联的问题。实验结果验证了该方法可以提升压缩量测域中多目标跟踪系统的实时性和跟踪性能。（5）研究了多目标压缩检测和跟踪的联合优化方法。遵循单目标联合优化的思路,对目标数已知且固定、目标航迹不交叉且可明显区分的简单多目标联合优化问题展开了研究。该方法通过将简单多目标问题分解为多个单目标并行的联合检测和跟踪问题,推导出了一个多目标联合优化风险函数,并给出了该函数的最优解。该方法是单目标联合优化的一种拓展,实验结果验证了该方法的全局优越性。综上所述,本文从直接处理压缩量测的角度出发,采用分步优化和联合优化的思路,提升了压缩量测域中雷达目标的检测和跟踪性能。