摘要在实际信号处理过程中，观测信号总是混杂着干扰和噪声，对信号处理的检测与估计结果有很大影响。因此，信号处理的一个基本任务就是将混杂在噪声和干扰中的有用信号准确地检测和估计出来，而信号的可分离性是完成这个任务的关键。通常，对信号的分析与处理都是在某个特定的处理域内进行的，所以就要求信号在该处理域内具有可分离性。常用的信号处理域是时域和频域，但是在实际系统中，信号经常同时在时域和频域内混叠，使得在时域和频域内难以准确地分离出信号。因此，有必要考虑在其它处理域内来实现信号的分离。自相关域是另外一种描述信号基本特征的处理域，由于白噪声信号在自相关域内具有其独特的特性，自然地与其它非白信号具有在该域内的可分离性。因此，本文从分析信号在自相关域的描述出发，研究信号在自相关域内的可分特征，并在此基础上进行相应分析与处理，以期实现所要目标。关键词：自相关域，信号可分离性，检测与估计，滤波ABSTRACTOneofthefundamentaltasksofsignalprocessingistodetectandestimatetheusefulsignalfromthenoiseandinterference,sincetheobservedsignalisalwaysmixedwiththeinterferenceandnoise.Andtofinishthistaks,theseparabilityofsignalisoneofthekeyproblems.Usually,thesignalisanalysisedandprocessedintimedomainorfrequencydomain,anditisdifficulttoseparatethesignalfromtheinterferenceandnoisewhenthesignalisoverlappingbothinthetimedomainandinthefrequencydomain.Hence,itisnecessarytofindtheotherdomainwhichcanbeusedtoseparatethesignals.Theautocorrelationdomainisanothersignalprocessingdomain,andthewhitenoiseisnaturallycanbeseparatedfromtheothernon-whitesignalsduetoitsuniquecharacteristicinthisdomain.Thispaperfocusontheseparabilityofsignalinautocorrelationdomain,andthesignalprocessingtechniquesbasedonthecharacteristicofthesingalwhichcanbeusedtoseparatethesingalfromtheinterference,noiseintheaucorrelationdomain.Theresearchworksofthisthesisareasfollowing:Key：ords:autocorrelationdomain,signalseparability,detectionandestimation,filter第一章绪论1.1研究背景和意义1.1.1基于二阶统计分析的信号处理技术现实系统中的信号大多是随机信号，信号的统计信息被广泛地应用于各种信号处理与数据分析领域，是信号与信息处理领域中的基础，而其中最常用的就是信号的二阶统计量（相关函数及功率谱等）。二阶统计分析具有计算简单、同信号的功率紧密联系等优点，所以许多信号处理技术都是建立在信号的二阶统计分析基础上的。基于二阶统计分析的信号处理技术虽然已经被研究并应用愈四十余年，但仍然具有相当的研究价值，是帮助解决各热点问题的基础性研究之一[1-9]。1.1.2信号可分离性在信号处理中的重要作用在实际系统中，观测/接收到的信号通常都混合着噪声或是干扰（有时也将干扰视为噪声），它们的存在成为制约信号处理质量的主要影响因素之一。因此，信号处理的一个基本任务就是将混杂在噪声和干扰中的有用信号检测和估计出来[19]。要完成这个任务，要求信号在某个信号处理域（时域、频域等）内能够被区分开来，即要满足在该处理域内的可分离性。1.2基于自相关域的信号处理研究现状相关函数描述了信号波形的相关性（或相似程度），揭示了信号波形的结构特性。不同信号的波形结构不尽相同，相应地反映在信号的自相关函数，这成为相关分析用来区别不同信号的基础之一。基于相关函数的分析在力学、光学、声学、电子学、地震学、地质学和神经生理学等领域，都得到广泛的应用。相关分析作为信号的分析方法之一，为工程应用提供了重要信息。同基于二阶矩（相关函数等）的估计相比，高阶累量估计的性能在相同条件（相同的数据量或数据长度）下，往往呈现更大的估计方差，若希望得到相同的估计方差的改善，高阶累量估计所需增加的样本数据要远远大于二阶估计；如何在短数据条件下实现性能良好的高阶累量估计是急待解决的课题，它已经成为在随机信号分析与处理中使用“高阶累量”的制约了。1.3...