随着现代雷达探测技术的不断发展、目标状态特性以及环境复杂性的增加,常存在密集群目标的运动状态估计问题。雷达的分辨能力决定了是否可以对目标实现可靠而稳定的参数估计与跟踪。早期的跟踪雷达不能分辨出波束内相近的群目标,主要利用一维距离像的包络幅度信息进行距离、速度估计。此外,传统雷达的目标运动估计与跟踪是相对独立的,这种处理方式在群目标跟踪时存在很大问题,受限于信号模型等很难在信号处理上有实质性改善。为解决群目标场景下的参数估计问题,本文在信号处理方面通过增加速度观测维度进行群目标分离,并通过滤波和数据关联对群目标进行跟踪,利用航迹辅助信号处理分离个体目标与速度解模糊。由此,本文展开如下几方面研究。首先对窄带线性调频(Linear Frequency Modulation,LFM)体制的雷达信号模型进行深入研究,对实际雷达系统中的数字信号处理过程进行了详细地描述,并建立简易的模拟弹道模型生成仿真回波信号,为参数估计部分奠定信号基础。由于传统参数估计方法是基于一维距离像的复包络信息,无法实现群目标的参数估计。因此本文采用最大似然估计(Maximum Likelihood Estimation,MLE)的方法,该方法可以达到理论上的最优估计精度,但其计算量十分庞大。为此,本文结合IFFT和CZT方法提出了一种基于数据压缩的快速实现算法,可以显著减小该方法的计算复杂度。由于似然函数的分布特性,在群目标参数估计中存在距离-速度十字旁瓣叠加所引起的估计偏差,以及对速度的估计存在未知的模糊倍数。受限于信号特性,无法从信号处理单方面解决该问题。为解决最大似然估计算法中存在的问题,本文采取对参数估计的量测结果再进行一次数据处理的方法,即滤波与数据关联。首先对标准卡尔曼和自适应卡尔曼滤波进行了简单比较,再通过数据关联技术在群目标中进行个体分离形成稳定的跟踪航迹从而解决速度模糊问题,由此将传统雷达相对独立的参数估计和目标跟踪框架相结合构成闭环体系,最终实现群目标的参数高精度估计。