具有伽马分布纹理的K分布幅度模型能够很好地描述中低分辨率对海雷达探测海杂波的幅度分布特性。其已经广泛应用于实际雷达的海杂波建模中。K分布模型由两个特性参数决定,它们的估计精度严重影响雷达目标检测性能及检测方法的恒虚警特性。K分布模型的参数估计方法包括了各类矩估计方法、最大似然估计方法、分位点估计方法等。当海杂波来源于局部平稳海域时,可以通过传统K分布模型建模。然而,在对海雷达进行大场景探测时,由于雷达掠射角以及不同区域海况差异等原因,海杂波呈现出随着空间位置变化的功率和非高斯特性,称为大场景海杂波特性的空变特性。在这种情况下,对每个具有相近特性参数的局部区域,扫描雷达在一个扫描周期内没有足够数目的数据样本进行参数估计,特性参数估计在单个扫描周期内变成了小样本问题。此外,对海雷达回波数据中包含了岛礁、舰船等不可避免回波构成的异常数据,这些数据具有比海杂波高得多的幅度,而且在数据筛选阶段难以完全剔除,这些高幅度的异常样本将对参数估计产生严重影响。针对这些实际问题,本论文从以对海雷达大场景探测为应用背景,研究了空变K分布(Spatially-Varying K-Distribution,SV-KD)模型下海杂波特性参数的感知方法,提出了空变K分布模型参数空间分布的多扫描周期数据联合利用的递归贝叶斯估计方法。本论文主要研究成果可概括如下:第二章首先回顾了雷达海杂波形成的物理散射机制。然后,简单介绍了常见的几类海杂波幅度分布模型。最后,回顾了几种常见的K分布特性参数估计方法。第三章首先讨论了海杂波空变特性导致的空变K分布模型,以及模型参数空间分布估计中面临的主要问题。由于海杂波特性参数在雷达扫描间是慢变的,在一个空间局部区域多个连续扫描周期的海杂波数据,共享相同的形状和尺度参数,因此多个扫描周期的雷达数据可以用于海杂波特性参数的估计。为此,我们提出空变K分布模型下的多扫描周期递归贝叶斯(Multiscan Recursive Bayesian,MSRB)估计方案,通过多扫描周期历史数据和当前数据的综合利用实现了雷达“记忆信息而不记忆数据”的大场景海杂波特性感知模式。第四章首先回顾了传统K分布模型参数的双分位点(Bipercentile,BiP)估计方法以及它对异常样本的稳健性特点。针对实测海杂波数据中岛屿、舰船等回波构成的异常样本对海杂波特性参数估计造成严重影响的问题,通过将多扫描周期贝叶斯估计方案和双分位点估计方法相结合,提出多扫描周期递归双分位点(MSRB-BiP)估计方法。递归估计过程中,通过基于先验信息的数据仿真和当前数据的混合实现海杂波特性参数的递归估计和更新。最后,利用仿真和实测雷达数据,检验了提出的估计方法的有效性。