无线通信领域正在上演一场攻防战。跳频通信因其抗干扰能力强、被截获概率低等特点，被广泛的应用在战术无线电通信中。为了掌握现代信息化战争条件下的主动权，迫切需要对跳频通信侦查开展研究，跳频信号参数估计是跳频通信侦查的一个重要组成部分，是截获敌方通信、产生有效干扰的前提。　　在单个跳频信号的参数估计方面，国内外众多学者已经取得了很多成果，对于多个跳频信号的情况还需继续研究。基于稀疏线性回归(Sparse Linear Regression，SLR)和稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)的方法能够精确地估计多个跳频信号的参数，但是都存在着计算复杂度高、内存消耗大等缺点;基于自回归移动平均(Auto-Regressive and Moving Average Model，ARMA)模型能够适应于多个跳频信号的情况，但是信噪比适应能力太差了。　　针对基于SLR和SBL的方法计算复杂度高、不适应大样本点数据的情况，引入正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法，利用OMP计算复杂度低这一优点，分别提出了OMP-SLR和OMP-SBL的改进方法。首先将信号均匀分段，接着用OMP算法快速的检测出包含跳变点的数据段以及估计出没有发生跳变的段的频率，最后对这些发生跳变的数据段用SLR或SBL估计得到跳时和频率。仿真结果表明，改进方法在保持原方法估计性能的同时，能够有效减少计算量。　　针对基于ARMA的方法信噪比适应能力差的情况，借鉴主成分分析(Principal Component Analysis，PCA)能降低噪声的特点，提出了PCA-ARMA的改进方法。首先，对观测数据的协方差矩阵进行特征值分解，其中的P个大特征值对应的特征向量组成变换矩阵;接着，用变换矩阵对中心化后的接收数据进行空间变换，得到降维后的数据;然后用降维后的数据估计得到模型系数向量c，根据模型得到下一时刻预测值的分布;最后，根据预测值和观测值的距离判断是否发生跳变。仿真结果表明，改进后方法的跳时估计概率得到提高，改进方法能有效提高信噪比适应能力。