雷达对群中密集目标的分辨一直是雷达信号处理领域的一个难题,传统的高分辨方法,例如MUSIC、ESPRIT及其改进的算法,在实际应用过程中不仅存在需要的快拍数较多等问题,而且面临着模型误差和低信噪比的挑战,导致目标间距离分辨力仍然不够理想。本文基于稀疏重构的理论对群中密集目标的超分辨进行探究,得到以下成果:1.对雷达的回波信号进行建模,通过预处理（包括脉冲压缩预定位、频率去斜、数据采样抽取等方式）后,将目标间距离信息转换为频率信息,使得各种稀疏重构技术精确匹配雷达信号模型,为之后稀疏重构技术应用于雷达的距离超分辨提供基础。2.基于贝叶斯学习理论,形成了基于贝叶斯学习的超分辨处理方法。与MUSIC、ESPRIT等算法相比,该算法需要的快拍数少;与其他谱估计方法或者贪婪追踪类稀疏重构算法相比,该方法在信噪比较低的时候,依然有着良好的分辨力和稳定性。3.为了解决传统固定网格式稀疏重构技术中由于网格带来的格点失配问题,采用去网格化和网格参数化这两种研究思路。在去网格化的方式中,采用原子范数最小化算法在根源上解决了格点失配问题,但是由于原子范数最小化算法的分辨性能和组成真实信号的原子之间的局部相干性有关,所以在密集目标的场景下分辨性能不高;在网格参数化的方式中,采用迭代重加权算法、基于先验的迭代重加权算法、正交匹配跟踪与动态参数L1正则化算法缓解了格点失配问题,相较于传统网格式的稀疏重构技术,在分辨率和稳定性上有较大的提升。4.在正交匹配跟踪方法分辨力不高的情况下,将正交匹配跟踪与动态参数L1正则化这两种基于稀疏重构的超分辨方法结合,先使用正交匹配跟踪对目标进行粗略估计,再使用动态参数L1正则化中的梯度下降的方法进行超分辨,形成了基于正交匹配跟踪与动态参数L1正则化的超分辨处理方法。该方法相较于单一的正交匹配跟踪处理,在分辨性能上有很大提升。