线性分组码是一类性能优异并得到广泛应用的信道编码。目前对于线性分组码参数的盲识别方法大部分只针对某一特殊类型的线性分组码（比如:BCH码、RS码和LDPC码等）,为提高线性分组码参数盲识别方法的适用范围与容错性能,本文在仅已知接收序列为线性分组码,而不知道其具体码型以及其他信息的条件下进行线性分组码参数的盲识别研究。本文主要研究了线性分组码的码长识别和校验矩阵重建两个方面。在码长识别方面,本文对传统的码长识别算法——秩准则法和码重分析法进行了重点研究与仿真分析,总结了两种算法的适用范围与优缺点。在此基础上,本文通过建立“归一化列重向量”的概念,提出了一种基于归一化列重向量余弦相似度的码长识别方法:将码字矩阵中每一列“1”的比率所形成的向量定义为“归一化列重向量”,选用余弦相似度来衡量高斯列消元后码字矩阵的归一化列重向量与随机二进制矩阵的归一化列重向量之间的差异,将余弦相似度取得极小值时矩阵所对应的列数估计为真实码长或真实码长的倍数,从而达到码长识别的目的。仿真结果表明,在对线性分组码C（15,7）和C（31,6）进行码长识别时,基于归一化列重向量余弦相似度的码长识别算法的容错率相较于码重分析法分别提升了83.33%和50%,且对不同码长和码率的线性分组码均具有较好的容错性能,适用范围较广。在校验矩阵重建方面,本文对高斯解方程法和Walsh Hadamard变换法的原理进行了研究,并对Walsh Hadamard变换法进行了仿真分析。与传统校验矩阵重建算法基于矩阵理论的角度不同的是,本文从寻找线性分组码校验码元与信息码元之间的线性约束关系的角度出发,通过引入数据挖掘领域中的关联规则挖掘的概念,提出了基于关联规则挖掘的校验矩阵重建算法:根据线性分组码每组码字的校验码元与信息码元之间存在线性约束关系这一特性,建立码字数据库进行关联规则挖掘,从而挖掘出可能存在的约束关系;并根据线性分组码的固有性质进行筛选得到正确的约束关系,从而达到校验矩阵重建的目的。仿真结果表明,在对线性分组码C（7,4）和C（15 7,）进行校验矩阵重建时,关联规则挖掘法的容错率比Walsh Hadamard变换法分别提高了368.75%和221.43%,容错性有了显著提升。