时频分析在信号处理领域有着不可或缺的作用,时间与频率的联合分布能够直观显示信号的频率随时间变化的特性,对于实际应用中常见的非平稳信号的分析处理比纯粹的时域分析或者频域分析更加合理有效。主流的时频分析方法大致可以分为线性、双线性以及参数化时频分析,其中双线性时频分析易受交叉干扰项影响,参数化时频分析尽管可以消除交叉干扰项,但求取基函数模型参数的计算复杂度较高。相比之下,线性时频分析不仅没有交叉干扰项,并且计算简单易实现,使得线性时频分析方法的研究更为广泛。而在线性时频分析方法研究中,Gabor变换具有重要的研究价值和意义。近年来,关于Gabor变换的研究多种多样,相比于求取Gabor变换对偶窗的算法研究和Gabor变换快速算法研究,提高Gabor变换的时频精度和时频聚集度的算法一直是研究的重点。能够显示非平稳信号所有频率分量的前提下,提高时频谱的精度与聚集度,才能更好地在实际中得到广泛应用。本文主要基于时频谱高聚集度对单窗和线性组合窗离散Gabor变换进行研究与改进,研究内容如下:（1）窗函数的宽度与单窗离散Gabor变换的时频聚集度紧密相关。针对基于变换系数的范数、瑞利熵以及香农熵自适应选择单窗离散Gabor变换的窗宽时,得到的最佳窗宽出现峰值偏好,并且算法抗噪性能不佳的问题,本文提出了一种基于改进香农熵自适应选择单窗离散Gabor变换的窗宽算法。首先以变换系数的聚集度为变量,进行归一化处理后计算香农熵,使得自适应选择的窗宽更偏向于高聚集度时频谱。然后,改进香农熵的取值范围,可以直接根据改进香农熵的取值判断时频聚集程度。最后,计算从最小窗宽到最大窗宽的所有窗函数对应的变换系数的改进香农熵,最大香农熵对应的窗宽即为最优窗宽。该算法在处理非平稳信号时,不仅可以显示所有分量,而且提高了时频聚集度与时频精度,同时具有良好的抗噪声能力。（2）传统的单窗和多窗离散Gabor变换算法在分析处理包含迥异时频分量的信号时,往往不能有效地显示信号中所有频率分量,并且得到的时频谱聚集度和精度都不高,而目前的线性组合窗离散Gabor变换算法抗噪性能不佳,并且计算复杂度较高,不能达到实际应用要求。对于这些问题,本文借助变换系数的稀疏度与时频精度和时频聚集度的相关性,提出了一种基于变换系数稀疏解约束下的线性组合窗离散Gabor变换算法。首先基于本文提出的单窗离散Gabor变换最佳窗宽自适应选择算法思想,提出了一种最优窗函数数量自适应选择方法。选择一组具有不同窗宽的窗函数,以获得变换系数的稀疏解为目标,通过梯度下降法,得到最佳线性组合系数。其次,根据得到的最佳线性组合系数,将所有窗函数组合成分析窗函数。最后,进一步研究了重要参数对组合窗算法的影响,结果表明,窗函数数量对算法影响较大,正则化参数的影响可以忽略。仿真非平稳信号和真实的心电图信号的实验结果表明,该算法可以显示信号所有频率分量,并且时频聚集度提高了3%到10%,同时抗噪性能相比当前的线性组合窗算法提升了20%,能够满足实际应用需求。