参量估计(parameter estimation )用统计学中的估计理论，对接收端收到的混有噪声和干扰的信号样本，估计出有用信号参量(如振幅、频率、相位、到达时间等)的方法。
常用的参量估计方法有最小平方误差估计、极大似然估计和贝叶斯估计。最小平方误差估计对信号和噪声的统计知识可以不作任何要求。极大似然估计是以似然函数的概念为基础。贝叶斯估计首先要给定随机参量θ的概率密度函数和因估计误差而带来的代价 函数。贝叶斯估计是使平均风险为最小的估计(见估计理论）。
参量估计的目的是在有限个信号观测量值中，以最佳方式估计该参量。
准则：对不同的估计结果给出不同的代价，并使估计代价最小。
贝叶斯估计是将贝叶斯判决理论，推广到对随机参量估计的贝叶斯估计理论。
有关定义如下：
代价函数C：
若s是一参量，可在参量空间Ω中取值；
若
是估计量，可在判决空间A中取值。称C(
，S)是代价函数，它是 和s的实值函数，且满足下列两个条件：⑴ C(s，
)≥0，对所有的 ，S Ω⑵ 对应于每个S
Ω和C(s， )=0，在A中有一个最小的 。风险函数(Risk function)
定义为代价函数的均值，即：
△ 贝叶斯估计－使风险函数最小的估计。
由于估计误差
决定估计问题中估计质量的好坏，所以，通常仅对估计值与真实值之差 感兴趣。若考虑误差函数的代价，这时C可定义为(S- )的单变量函数，有下列三种情况：(a) 平方误差
(b) 绝对值误差
(c) 均匀代价函数如图1。
贝叶斯判据：平均代价最小，即 E(c)=min。
由于c是
的函数，而 又是观察值x的函数，所以c就是x和s的联合函数，所以有：用后验概率函数表示为：
令：
，R称为条件风险函数。下面针对三种代价函数分三种情况探讨估计准则：情况(a)： 平方误差情况下，风险函数最小的估计量称为最小均方估计(minimum mean square estimation)
其风险函数为：
由于：p(s,x)=p(s|x)p(x)
则风险函数为：
∵p(x)≥0故RMS最小即等效为上式括号内项最小。
上式内项对求导，故有
则有：
由于
此即为最小均方估值，表示已知x时，s的条件均值。
情况(b)：
绝对值误差情况下，风险函数如图2：
上式括号内项如图3：
故RMS最小即等效为上式括号内项最小。于是，可令上式对的导数为零，则有如图4：ABS估计应取在后验概率密度函数面积的平分线上，即估值为条件概率密度函数的中值(median)。
——称为后验中值估计如图5
情况(c)：
均匀代价函数
上式号中的后面一项如图6：
当此式最大，即p(s|x)最大时，平均代价Runf最小。此时称为最大后验估值(Maximum a Posteriori)。取对数，则有如图7，既满足图8的条件。
最后，将三种情况估计式中后验概率密度函数借助于贝叶斯公式
用先验概率代替得到：ABS估计如图9：MAP估计如图10：
MS估计如图11：
估计准则：选取使似然函数L(θ)为最大的
作为θ的估计量，称为θ的最大似然估计。L (θ)最大等效ln L(θ)最大。要求θ的最大似然估计
，必需解似然方程：由于对数函数的单调性，取对数似然函数进行估计，则有：
此式为必要条件，而不是充分条件。
例5.1 在假设H1和H0下，接收信号为：
H1:Zk=m+vK, k=1,2,...N
H0:Zk= vK, k=1,2,...N
当常数m为未知时，求m的最大似然估计。解：用前面的检测理论是判决那个假设为真。
本节的估计理论，H1假设为真，vK为高斯噪声。、本例中，参量估计=，其均值为m，接下来的步骤如图13。
以雷达系统为例，接收端收到的混有噪声和干扰的信号样本就是雷达目标的回波，通常可写成Acos，A是回波幅度；f是回波频率；tr是雷达波发射时间和回波收到时间之差(通常称为时延）。这些都是待估计的参量，包含着目标的散射待性、空间距离和运动速度等信息。雷达接收端的任务就是要按照数学规则，采用适当技术措施把这些混合信号变换成具有一定概率模型的信号，然后再按照设定的规则得到估计量。假设待估计的参量之一是θ，从对n个观测数据的处理所得的估计量为
， 一般也是一个随机变量。估计量的好坏可用它的统计特性来表示。当θ为实际参量时，称 与其真值θ之差为估计误差，用 表示，即 =θ- 。如果 的期望值为零。即或
表示估计量的期望值等于真值，称为无偏估计。如果对同一参量用不同估计方法得出不同的无偏估计
如其中之一 的方差是所有估计量方差中最小的，并达到相应的下限时，则称 为有效估计。如果对任一小的正数ε有下列概率的极限关系
则
称为一致估计量。
温馨提示：
