本文针对跳频侦察中的两项关键技术展开了研究,包括跳频信号的参数估计和网台分选。跳频通信因其优良的保密性能、强抗干扰能力、低截获概率和灵活的组网方式,被广泛应用于多种军用和民用领域,成为了战时通信对抗中抗干扰和反侦察的重要手段。考虑到实际应用中,接收机截获的信号是多个跳频信号的混合,难以获取信号先验信息,并且接收设备的数量有限,本文将研究重点放在多网台跳频信号的参数盲估计和欠定条件下网台的分选。本文的主要工作概括如下:首先,本文提出了一种基于最大能量差的跳时、跳周期估计算法,以解决现有基于时频分析的参数估计算法抗噪性弱、精度不高的缺陷。首先,对接收到的混合信号进行时频变换得到时频矩阵;其次,根据时频能量分布估计信号的载频,并针对每一载频处的时频数据确定信号段和窗长;再次,根据跳变时刻两侧窗内能量之差达到最大这一原理估计出每跳的跳时和跳周期;最后利用中心聚类算法对所有跳的跳周期估计值进行聚类,得到最终的参数估计结果。仿真实验表明,本文提出的基于最大能量差的跳时、跳周期估计算法具有较好的抗噪性和估计精度,且适用于异步、同步组网的跳频信号。其次,提出了一种基于单源点检测的改进混合矩阵估计算法,以解决欠定盲源分离模型下的跳频网台分选问题。首先利用短时傅里叶变换得到信号的稀疏表示,设定阈值去除受噪声影响较大的时频点,然后根据推导的单源点检测准则进一步筛选时频点,再根据时频比在单源点处的聚类特性,利用势函数聚类得到聚类中心,从而得到混合矩阵的估计和到达方向估计值,最终实现网台的分选。仿真实验表明,该算法相比于对比算法具有较好的混合矩阵估计性能。最后,在自回归滑动平均模型的基础上,针对跳频信号的实时处理问题,本文提出了一种基于快速傅里叶变换和多通道聚类的频率跟踪算法,并介绍了一种基于粒子滤波的网台实时分选算法。首先对多通道接收到的信号样本进行快速傅里叶变换处理,通过聚类估计源信号个数和载频,然后利用载频与模型系数的关系估计模型系数构建自回归滑动平均模型,再根据信号样本和模型对信号进行预测、估计判决门限,最后根据信号样本预测值和真实值的绝对误差判断是否发生了频率跳变,实现频率的实时跟踪。仿真实验验证了本算法对于解决跳频信号频率跟踪问题的有效性,同时与现有算法进行了对比,实验结果表明在接收到了足够多的信号样本后,改进算法相比原ARMA算法有更高的频率估计精度,相比稀疏贝叶斯学习算法则大大减少了算法的计算量和复杂度。最后通过仿真也实现了跳频网台的实时分选。