信息截获系统通过采样并处理非合作辐射源的信号,来获取辐射源的功能参数、型号等关键信息。对星载信息截获系统而言,由于星上的数据采集、存储和传输能力受限,能以较低的采样频率实现对宽频带侦收的非均匀采样技术具有十分广阔的应用前景。目前,在不重构信号的情况下利用非均匀采样数据直接完成信号处理的技术还不完善,本文围绕稀疏多带信号非均匀采样数据的频谱检测和参数估计等关键技术展开研究,主要内容如下:第二章研究了稀疏多带信号非均匀采样数据的频谱检测问题。针对较少采样数据的协方差矩阵分解得到的特征值存在的扩散问题,提出了一种基于多重信号分类(MUltiple SIgnal Classification,MUSIC)方法(称之为MUSIC-like方法)和改进AIC(AIC:Akaike Information Criterion)准则的频谱检测算法。该算法在采样数据相对较少的情况下,能够提高信号子空间维数的估计正确率,具有更好的频谱检测性能。第三章研究了多载频信号非均匀采样数据的频率估计问题。多载频信号可以认为是稀疏多带信号的表现形式之一,针对非均匀采样数据估计信号频率时存在的字典失配问题,提出了基于稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)和字典优化的频率估计算法。该算法除了保留SBL方法在较少采样数据、低信噪比情况下的性能优势,还能通过动态调整用于信号稀疏表示的离散傅里叶变换(Discrete Fourier Transform,DFT)字典,有效减少由字典失配引起的误差,从而提高算法的频率估计精度。此外,还利用理论分析和仿真结果揭示了非均匀采样技术对该算法的频率估计精度和邻近频率分辨能力的影响。第四章研究了多分量chirp信号非均匀采样数据的参数估计问题。多分量chirp信号同样可以认为是稀疏多带信号的表现形式之一,chirp信号特征需用载频和频率调制斜率等参数共同描述。为了更好地解决低信噪比、多分量条件下的chirp信号参数估计问题,提出了基于改进的离散Chirp-Fourier变换(Modified Discrete Chirp Fourier Transform,MDCFT)和自适应重要性采样(Adaptive Importance Sampling,AIS)的参数估计算法。该算法在迭代过程中通过不断更新重要性函数(Importance Function,IF),使得抽取的样点及其重要性权重更加有效地近似待估计参数关于采样数据的边缘后验分布函数。与现有的两种基于蒙特卡罗思想的算法相比,该算法具有更好的信噪比适应能力,需要抽取的样本数目更少,并具有良好的收敛性。第五章研究了复杂噪声环境中非均匀采样数据的参数估计问题,分两种情况进行研究。第一,由于非均匀采样技术是采用多通道结构实现,针对采样时多通道间噪声功率不均匀的情况,提出基于SBL和逆迭代方法的频率估计算法。该算法能够适用于含多个噪声参数的情况,是对基于SBL的频率估计算法的进一步拓展。第二,针对以自回归过程建模的色噪声的情况,利用基于MDCFT和AIS的参数估计算法实现对多分量chirp信号调制参数的估计,该算法解决了复杂噪声环境中多分量chirp信号的参数估计问题。