目标定位是具有众多应用的多输入多输出（MIMO）雷达系统的一项基本任务。 在本文中，我们研究了带有电磁矢量传感器（EMVS）的双基地MIMO雷达中的定位问题。 与传统的定标器传感器不同，EMVS能够提供二维（2D）方向搜索，并且可以提供光源的附加偏振特性。 因此，双基地EMVS-MIMO雷达系统中的目标定位涉及2D离开方向（2D-DOD）和2D到达方向（2D-DOA）估计。 此外，我们可以获得目标的发射偏振特性以及偏振特性。 为了利用匹配滤波器之后的阵列测量的张量性质，开发了张量子空间算法，该算法通过叉积技术从张量子空间估计目标参数。 所提出的算法获得了用于参数估计的封闭形式的解决方案，与现有算法相比，它表现出更准确的性能。 数值仿真验证了所提算法的有效性和改进性。

提出了一种在互耦条件下基于酉张量分解的多输入多输出（MIMO）雷达非圆目标稳健的角度估计算法。所提算法首先在张量域利用互耦系数矩阵的带状对称Toeplitz结构来消除未知互耦的影响，然后通过构造一个特殊的增广张量捕获非圆信号的非圆特性与其固有的多维结构特性，并利用增广张量的 centro-Hermitian 特性通过酉变换转化为实值张量，最后利用高阶奇异值分解（HOSVD）获得信号子空间，结合实值子空间技术获得目标的离开方向（DoD）和到达方向（DoA）估计。由于同时利用信号的非圆结构与多维结构特性，所提算法具有比现有的子空间算法更准确的角度估计性能，同时所提算法只需要实值运算，具有较低的运算复杂度。仿真结果表明，所提算法具有有效性与优越性。

本文提出了一种通过具有两个垂直线性阵列的窄带多输入多输出（MIMO）雷达系统进行二维成像的系统模型和方法。 此外，我们的方法的成像公式是通过傅立叶积分处理开发的，并且还检查了天线阵列的参数，包括跨范围分辨率，所需大小和采样间隔。 与在反向合成Kong径雷达（ISAR）成像中多次快照照明期间对散射回波进行采样的空间顺序过程不同，该方法利用空间并行过程在单个快照照明期间对散射回波进行采样。 因此，可以避免ISAR成像中的复杂运动补偿。 此外，在我们的阵列配置中，采用了以正交多相序列编码的多个窄带频谱共享波形。 来自不同滤波器带的压缩回波的主瓣可能位于同一范围内，因此，经典ISAR成像中的范围对准是不必要的。 提供基于合成数据的数值模拟以测试我们提出的方法。

应用于输入多输出（MIMO）雷达成像的稀疏恢复算法可能会在收发器对之间的相位不匹配的情况下失去其优势。 在这封信中，我们确定了随机相位不匹配对成像问题的影响可能会成为MIMO点扩展函数幅度的缩小因子。 因此，我们建立了成功的支持恢复条件和针对所涉及问题的正交匹配追踪（OMP）算法的性能度量，这两者都是缩减因子的函数。 同时，提出了通过期望最大化（SIEM）进行稀疏成像的方法，以缓解面对相位失配的OMP性能损失。 数值结果证实了分析结果，并说明了SIEM算法的有效性。

在跨发射机和接收机的载波偏移下，多/输入多输出（MIMO）雷达成像会遭受性能下降的困扰。 本文从MIMO点扩展函数（PSF）的角度分析了载波偏移对稀疏目标成像的影响。 建立了使用正交匹配追踪（OMP）成功进行支持恢复的条件，并且根据l（2）距离来表征性能损失。 提出了一种考虑载波偏移引起的扰动的稀疏成像算法，该算法对OMP算法进行了改进。 数值实验证实了这一分析。

在[1]中，通过迭代最小化（SLIM）方法进行的稀疏学习已被证明在MIMO雷达模型的高分辨率成像中是有效的。 但是，那里的回声模型是直接根据离散形式导出的。 成像空间的先前网格化以及所有散射体都精确位于网格上的假设。 因此，这里我们将回波模型推广到任意位置散射体的连续形式。 通过比较两个模型，我们首先指出了先前模型中的一个推导错误。 然后，我们分析了先前模型和SLIM方法在何种程度上会受到离网散射体的范围和角度偏差的影响。 根据我们的分析，由于先前模型中的采样间隔和离散距离仓的大小是根据传输的子脉冲的持续时间设计的，因此距离偏差对成像性能没有重大影响。 但是，角度偏差可能导致基矩阵不匹配，从而严重影响SLIM的重建结果。 因此，提出了一种基于自更新的SLIM（SUB-SLIM）方法，通过交替稀疏成像和自适应细化角箱来处理偏角网格散射体。 数值结果说明了我们的方法和相关分析的有效性。

采用L形MIMO雷达对运动目标进行三维成像，首先分析了MIMO雷达发射阵 列的稀疏布阵方式，其次结合压缩感知理论具体阐述了基于稀疏阵列的三维成像方法!该方法在大幅减少L型MIMO雷达发射天线的条件下，实现了对运动目标的单次快拍三维成像

利用压缩感知实现运动目标的稀疏成像时，运动引起的多普勒频移会增加模型维度，改变回波的中心频率，并影响测量矩阵的互相干特性。为了改善MIMO雷达对运动目标的三维成像性能，提出了一种高效的成像方法，在各维分别搜索目标的分布信息，并由该信息作为索引重构新的低维测量矩阵，借此缩小目标区域范围，同时基于测量矩阵的互相干性，应用贝叶斯方法实现多普勒维度投影矩阵的优化，降低多普勒频率采样带来的强相干性，实现高效稀疏成像。仿真结果表明，所提方法可以明显地提升运算效率，具有高效精确的成像性能。

（1）高斯谱模型 高斯谱的表达式如下所示： 2 3 ( ) exp( ( ) )d dB f f W f a f    (5-16) 其中， a为一个常数，它的取值为 1.665，以使得 3 ( / 2) 0.5 dB W f  ； d f 是杂波的中 心频率，代表了杂波的平均多普勒频率，也可以理解为杂波的平均速度； 3dB f 为 两个半功率点之间的频率带宽。在进行地杂波相关模型建立时，我们一般把 0 f 取 为 0， 3dB f 约为风速的 3%。 公式（5-16）也可以表示成如下形式： 2 2 ( ) exp[ ( ) / 2 ] d c W f f f    (5-17) 2 c  表示地杂波频率分布的均方根值，它与散射体速度分布的均方根值 v  有如下的 关系 2 v c     。 （2） n次方谱模型 n次方功率谱的表达式如下所示： 3 1 ( ) 1 ( / ) n dB W f f f   (5-18) 其中， n为正整数，取值范围在 2-5 之间， 3n  即为立方谱， 2n  即为平方谱。 3dB f 为两个半功率点之间的频率带宽，杂波谱方差 3 1.33exp(0.2634 ) dB f v ， v 为 风速。 杂波的功率谱特性通常与环境、杂波的性质等因素相关。在本文中我们主要 考虑的是在地面雷达背景下的杂波模型建立，而该雷达的典型杂波环境有草地、 灌木、树林、庄稼地等。因而我们采用高斯谱这种典型杂波谱模型进行建模仿真。 地杂波功率谱如图 5-2 所示。 对于高斯分布的杂波谱，影响谱峰高度和杂波谱宽度的一个主要因素就是高 斯分布的方差，也就是公式（5-18）中的 3dB f ， 3dB f 越小，杂波谱越集中，谱峰高 度越高。

FMCW TDM-MIMO雷达信号生成、测距、测速、测角、CFRA、多普勒相位补偿等。