常见的盲均衡方法有以下几种：基于Bussgang技术的算法，基于高阶谱和循环谱法，神经网络法等。其中Bussgang类的方法具有计算量少，过程简单的优点，但是收敛速度慢，且对初始化条件依赖性很大，因为初始化的不合适容易造成结果收敛点偏差甚至发散。而基于高阶谱的方法具有的优点是：收敛速度快，且能抑制高斯加性有色噪声，然而其缺点就是计算量非常庞大，大大的限制了其实际应用。 本文提出了以变步长理论为手段的改进Bussgang类算法，和以归一化理论，对称反对称技术为手段的改进高阶谱类算法。 在以上基础上，本文还提出一种将Bussgang方法和高阶谱方法结合的思想，取两者的优点，同时互补相互的缺点，使得盲均衡在计算量和收敛速度上达到一个比较高的平衡点。该方法称为“基于高阶谱初始化的Bussgang类盲均衡算法”，因为Bussgang类算法在初始阶段收敛速度很慢，而后来能逐渐加快，而基于高阶谱的算法法在初始阶段收敛速度很快，后来却会变慢。且Bussgang类法的代价函数不具备U性，使得系统可能收敛到局部最小点，而基于高阶谱的算法的代价函数具有U性，能保证系统收敛到全局最小点上。本文提出的方法是利用信号的倒三谱估算均衡器参数，而不是使用通常Bussgang算法中的迭代方法，借以消除Bussgang算法对初始化的敏感性，同时保证了均衡过程的高收敛性，而初始化后的计算仍采用Bussgang方法，保留其计算量小的优点。