通信信号参数盲识别已在军事侦察和民用认知无线电等领域有较为广泛的应用,并且被作为下一代通信关键技术中的可选实现方案之一。与此同时,多输入多输出(MIMO,Multiple-Input Multiple-Output)正交频分复用(OFDM,Orthogonal Frequency Division Multiplexing)技术因其对频谱资源的高效利用,已大量应用到蜂窝无线通信与室内无线通信中。相较于传统的通信信号参数盲识别,MIMO-OFDM技术给参数识别带来两个全新的挑战:发射天线数估计和MIMO空时/频模式识别。因此,本论文对这两个重要问题展开深入的研究。针对MIMO-OFDM系统中的空频分组编码(SFBC,Space-Frequency Block Codes)的识别,提出三种新算法增大识别候选集范围,同时提高小观测样本的识别性能;此外,提出一种新的联合识别算法识别发射天线数估计和MIMO空时模式。具体如下:针对目前已有的基于时域互相关函数的SFBC盲识别算法只能识别两种空频模式的问题,提出一种新的SFBC盲识别方法,可同时定量SFBC空域和频域两个维度的冗余以识别更多的SFBC。在分析了单天线至3天线的7种SFBC的相邻OFDM子载波信号的信号子空间秩特征后,根据随机矩阵理论,计算噪声子空间最大特征值,然后利用串行假设检验确定决策边界;接着,利用一个基于特殊距离的决策树方法来做最终决策以区分不同的SFBC。所提盲识别算法不需要发射天线数、信道系数、调制方式以及噪声功率等信号参数作为先验信息。仿真结果证明了所提算法比已有算法以相近的算法复杂度对较小观测样本更加有效。针对基于时域互相关函数的SFBC盲识别方法并未有效利用频域冗余的问题,提出两种SFBC盲识别算法高效利用空频二维冗余:(1)基于假设检验的识别算法;(2)基于支持向量机的识别算法。具体而言,基于中心极限定理,构造一个互相关函数估计器来利用空域冗余,而通过这个互相关函数构造一个统计量来利用频域冗余。两个所提算法之间的区别是:基于假设检验的方法从互相关函数构造一个中心卡方检测统计量并采用假设检验对检测量进行决策;而基于支持向量机的方法从互相关函数构造了一个未知均值的非中心卡方分布检测统计量作为强可区分统计特征,然后使用支持向量机进行决策。同时,提出基于决策树的方法将识别SFBC候选集扩展为两天线和三天线下共4种空频模式。两个算法均不需要信道系数、调制方式以及噪声功率等信号参数作为先验信息,而且基于支持向量机的方法不需要时间同步。仿真结果验证了所提算法在极小观测样本以及较低算法复杂度下比已有算法有着更好的识别性能。此外,所提算法对于传输损害也有较好的识别性能,如采样时钟偏移、符号时间偏移、频率偏移以及多普勒效应。考虑量化空时冗余,发展出一个新的联合盲识别算法来同时确定发射端的天线数与MIMO空时模式。通过重构接收信号,基于信号子空间的秩推导出三类子空间秩特征来确定发射天线数并量化空时冗余;然后,提出利用基于盖尔圆圆盘半径的方法和前馈神经网络来计算这三种特征;最后通过所提最小加权1-范数距离准则做最终决策。由于对空时冗余充分量化,本文所提的算法可以识别共计17种MIMO空时模式,包括大部分已有算法均未考虑的LTE频率切换分集以及WiFi协议中的若干非正交空时编码。此外,所提算法同时适用于单载波系统和OFDM系统。仿真结果验证了所提算法对单载波系统与OFDM系统有效性,并证明了所提算法以可接受的算法复杂度在较小观测样本下有着较好的识别性能。综上所述,本文提出了三种新的SFBC盲识别算法,以及一个MIMO发射天线数与空时模式联合盲识别算法。所提算法以相对较小的计算复杂度实现了较小观测样本下的识别性能,并对传输损害具有一定的鲁棒性。这些算法填补了相应领域的技术空白,为MIMO信号识别的工程实现奠定了理论基础。