Estimering af sinusparametre er et vigtigt problem inden for en lang række af signalbehandlingsapplikationer. Det drejer sig for eksempel om audiokodning, komprimering, signalforbedring og -genoprettelse. I dette speciale er estimering af sinusparametre behandlet fra et Bayesiansk synspunkt, der er et voksende område inden for signalbehandling. I den første del af specialet gives der en introduktion til den fundamentale Bayesianske tankegang, og den sammenlignes med traditionelle signalbehandlingsmetoder. I den anden del af specialet fremsættes og udvikles en ny Bayesiansk metode til at drage statistiske slutninger for sinusparametre i en dynamisk signalmodel. Denne model kan bruges til at modellere ikke-stationære signaler og er derfor mere fleksibel end den mere populære statiske signalmodel. Den udviklede Bayesianske metode er evalueret ved hjælp af simuleringer på syntetiske signaler og på et rigtigt audiosignal. Simuleringerne viser, at den udviklede Bayesianske metode med succes kan bruges til at drage slutninger om de ukendte sinusparametre og til signalgenopretning. Den største ulempe ved metoden er, at den lider af en så høj beregningsmæssig kompleksitet, at den ikke ville kunne bruges i de fleste realtidsapplikationer.