对海雷达接收的回波常常是来自海面的后向散射信号以及可能的目标回波。前者称为海杂波,对海雷达目标检测就是判断雷达回波是海杂波还是海杂波加目标回波。海杂波可以通过复合高斯模型建模,并且已经针对不同类型的复合高斯模型发展出了最优和近最优的检测器。于是,海杂波模型参数的估计变成了对海雷达目标检测的重要前提。目前的各类矩估计和最大似然估计方法对数据样本中的异常样本都非常敏感,而实际的雷达数据中不可避免地包含一些目标回波、岛礁回波构成的异常样本。针对这一问题,本论文从两个方面开展研究工作。一方面,研究了K分布模型下基于分位点的稳健估计方法;另一方面,探索了从海况、雷达参数等物理参数预测海杂波模型参数的神经网络预测方法。本论文主要研究内容可概括如下:第二章介绍海杂波复合高斯模型和神经网络学习的基本概念和结构。首先对复合高斯分布杂波的参数估计问题进行概述,回顾杂波参数估计理论,并介绍不同纹理类型的复合高斯模型下已有的参数估计方法。然后,介绍神经网络的基本实现原理以及框架和适用于杂波参数预测的非线性拟合神经网络模型。第三章针对K分布海杂波模型的参数估计,研究出了一种新的对异常点稳健的参数估计方法。通过对累积分布函数进行公式推导,将以往的双分位点估计方法进行改进,得到了三分位点估计方法,改善了尺度参数的估计精度。最后,通过仿真实验与实测数据对提出的三分位点估计方法进行了性能评估。第四章针对南非X波段雷达数据库以及国内某研究所P波段数据库,首先分析数据结构并提取可能影响到海杂波参数预测的各个雷达或气象参数作为输入信息,然后利用杂波数据与最佳参数估计方法得到各分布参数的期望输出,实现了神经网络学习数据的标注。最后经过多次实验对输入信息以及神经网络结构进行调整确定最终的预测网络,实现利用雷达及气象等物理参数预测海杂波幅度分布参数的探索性研究。与已有的预测经验公式相比,神经网络预测有更高的精度。