同步是通信系统中最为关键的技术之一,正交频分复用技术中时间同步和频率同步尤为重要,其主要作用是确定OFDM正确的定时位置与估计OFDM频偏。而定时同步直接会影响到后续的信道估计、译码等步骤。目前已经有许多经典的OFDM同步算法,针对不同的信道条件,不同的同步算法表现出不同的性能。OFDM同步算法可以分成两类,一类是基于循环前缀（Cyclic Prefix,CP）的同步算法,有最大似然估计（Maximum Likelihood,ML）算法、集相关算法、差分算法等。另一类是基于训练序列的同步算法,主要有Schmidl&Cox算法、Minn算法、Park算法等。本文在研究仿真这些算法的过程中发现,ML算法简单易于实现,在加性高斯白噪声（Additive White Gaussian Noise,AWGN）信道下,定时估计效果较好,但是在多径衰落信道下,估计精度较差。集相关算法通过使用多个OFDM符号进行同步估计,计算量相对ML算法较大,但是集相关算法能计算多径衰落信道的抽样长度,即OFDM信号被多径衰落信道干扰的部分,针对以上出现的问题结合集相关算法对ML算法进行了改进,提出了E-ML算法,实验结果表明改进算法提高了抗多径衰落能力。Schmidl&Cox算法估计精度高,但是需要构造两个训练序列进行符号同步和频偏估计,本文重新设计了一种训练序列,只需要构造一个训练序列就可以进行时间同步和频偏估计,实验表明该训练序列相比原来的算法提高了定时正确率和频偏估计精度。Moose算法、Classen算法在频域估计精度高,但是频偏估计范围不足,当超过一定的频偏估计范围时,算法就会失效。本文在时域上设计了一种训练序列,采用缩短训练序列和周期性发送序列的方式,增大了频偏估计的范围,实验结果表明相对于原来的算法,增大了频偏估计的范围,而且提高了估计精度,估计精度提高到10^-6。