作为一种重要的扩频通信技术,跳频扩频被大量应用在现代通信系统中。在非合作情况下,接收方由于缺少相关信道参数很难捕获跳频通信内容,因此,如何实现跳频信号参数的盲估计,一直是非合作跳频通信技术中的研究热点。经典的统计信号处理方法多基于高斯分布建模背景噪声,然而研究发现,许多复杂噪声背景下的观测数据具有显著的尖峰脉冲特性,呈现典型的非高斯性,可以用α稳定分布建模。在这种情况下,基于高斯假设的信号处理方法性能往往退化,需要设计新的参数估计方案。针对通信信道环境的多样性,本文分别基于高斯分布和α稳定分布模型,研究了两种不同噪声下跳频信号的参数估计问题,主要工作如下:1、高斯噪声背景下,基于常规时频分析方法估计跳频信号参数时,采用核函数抑制时频分布交叉项会导致时频聚集性的下降,不利于信号参数提取。对此,本文结合Cohen类时频分布和压缩感知理论,提出一种基于跳频信号时频分布特性的稀疏时频分布(Sparse Time-Frequency Distribution,STFD)。STFD不仅能有效抑制交叉项,而且具有良好的时频聚集性。仿真分析表明,在高斯噪声背景中,与传统时频分析方法相比,基于STFD的跳频信号参数估计方法性能更优。2、α稳定分布噪声中,经典的稳健滤波方法所采用的统计模型多为α稳定分布特例(如Cauchy分布和Meridian分布等),其脉冲抑制效果受到限制。对此,本文基于稳健滤波原理和近似SαS分布模型提出一种新的加权最大似然近似SαS(Weighted Maximum-Likelihood Approximate SαS,WMAS)滤波器。WMAS滤波器所采用的统计模型为幂函数形式的近似SαS分布概率密度函数,该分布能较好地刻画SαS分布概率密度函数的重拖尾特性,使WMAS滤波器可以对α稳定分布噪声下的观测信号进行自适应滤波,具有良好的稳健性。3、提出一种α稳定分布噪声中基于最大似然的跳频信号参数估计新方法。首先将复杂的跳频信号模型简化为其频率和包络表示,并基于Cauchy分布建立估计信号频率的最大似然框架;然后提出一种基于迭代的频率估计算法,实现了α稳定分布噪声中信号频率参数的有效估计。同时,利用跳频信号的短时平稳性,基于窗宽递增寻优算法设计窗函数对其加滑动时间窗,提取跳频频率随时间变化曲线,进而得到跳变时刻和跳周期等的估计。仿真表明,该方法在确保有效估计跳频信号参数的同时,与基于分数低阶和Meridian滤波的参数估计方法相比更稳健。