雷达回波信号常用来进行目标识别,但在实际环境中,接收到的往往是多种信号分量混杂在一起后的信号,并且其为非平稳信号。针对这种情况需要使用时频分析方法结合时域和频域的信息来对信号进行处理,分数阶傅里叶变换（FRFT）是时频分析中十分重要的方法,其因为许多独有的性质常用来对雷达信号进行检测分离。在实际雷达信号检测的环境中常常遇到每秒就有数万个采样点产生的情况,快速处理这些数据对其后续的信号分离、目标检测等应用都有十分重要的意义。尽管在近年来,国内外学者提出了不少FRFT相关的快速计算方法,但其计算速率一直不太理想,限制了其在工程实践中的应用。如何处理好大量信号数据情况下,满足其处理速度实时性的要求显得尤为重要。针对上述问题,本文结合FRFT相关计算过程以及Flink大数据并行计算框架的运行特点提出了一种基于并行计算的FRFT算法,并基于此算法设计并实现了基于并行计算的FRFT信号分离检测系统。本文的主要工作及获得的成果如下:（1）对FRFT的离散化计算过程进行分析并对其能实现并行化计算的步骤进行研究,将Spark和Flink两个大数据并行计算框架进行对比分析,结合FRFT的计算过程阐述了选择Flink比Spark更快的原因。以采样型离散化FRFT计算方法为基础,对其中的离散线性卷积的计算进行改进,并结合Flink同时处理多个数据流以及对同一份数据集进行迭代计算的特性,设计基于Flink的FRFT并行化计算方法,并从准确性和计算速率两方面对算法的性能进行实验测试。实验结果证明,本文提出的基于Flink的并行算法相对于传统的FRFT算法在小规模数据的情况下优势不明显,但是当数据量增加到一定规模时,其计算速率有较大的提升,在数据量达到1600万条时,其计算速度约为传统算法速度的18倍。（2）设计并实现基于并行计算的FRFT信号分离检测系统,其主要是对雷达回波信号进行处理分析。其包含用户管理、数据预处理、数信号数据处理、信号分离检测和数据存储模块,并对以上模块进行了概要设计和详细设计。考虑到后续系统的扩展性和可维护性,本文将Flink框架的节点使用Docker容器进行封装运行,数据库也单独在一个Docker容器中,然后使用Docker-compose对这些Docker容器进行统一的编排管理。最后以此为系统的基础架构进行相应的工程实现。（3）采用雷达回波序列中弱小飞机目标检测跟踪数据集对系统进行了测试,包括功能测试、系统界面展示和负载测试,在负载测试中逐渐加大数据量,获得相应的结果,最后测试结果进行分析。其结果证明了该系统满足预期效果,能及时有效的对雷达信号进行分离检测。