单通道时频混叠信号分离是近几年来通信领域的重要研究,因其特殊的接收模式以及接收信号的时频域重叠的特性,故无法通过传统的滤波实现信号分离。该课题主要是研究单一传感器接收多个时频域重叠的信号组成的混合信号的分离问题。在此背景下,本文将针对该类问题的解决方案展开研究。主要贡献如下:1、针对基于多尺度分解的信号分离算法下小波基的选取问题进行了研究。首先,搭建了基于多尺度分解的信号分离算法的模型,通过对该算法框架进行分析,得出所需小波基本函数具有的性质。将此类小波分别作为该算法框架下的小波基,将基于不同小波的分离算法用于分离由不同的信号组合而成的混合信号,并将其分离效果作对比分析,给出了不同信噪比下,基于不同小波的分离算法对不同信号组合的分离效果,从而选取在基于多尺度分解的分离算法框架下多尺度分解模块最合适的基本小波函数。2、针对基于多尺度分解的算法中Morlet小波的参数优化问题进行了研究,通过分析Morlet小波的特点以及该小波在基于多尺度分解的信号分离算法中存在的问题设计了一种自适应Morlet小波,利用基于最小香农熵准则对传统Morlet小波中心频率进行优化,一定程度上解决了小波参数依赖经验值设置的问题,提升了小波的性能,以中心频率优化后的Morlet小波作为小波基对单通道接收的时频混叠的混合信号进行多尺度小波分解,获得若干小波系数并构成虚拟多维观测信号,并运用独立分量分析完成信号分离,通过实验可知,经优化后的小波在一定程度上提升了算法的分离效果,使得算法更加的智能化,优化后的算法针对多组不同的混合信号的分离问题仍然有效。3、针对基于多尺度分解下信号分离模块的幅度模糊校正问题进行了研究,首先,分析了ICA模块具有天然的幅度模糊性,并依据此类问题列举了常用消除幅度模糊方法存在的弊端。在此基础上,设计了一种新的基于分离矩阵归一化的方法用于对信号分离模块的优化,该方法在一定程度上解决了信号分离模块的幅度模糊性,提升了算法在分离含调幅信号的混合信号的性能,并通过仿真实验验证该方法针对含有调幅信号的混合信号的分离问题是否具有有效性,并通过将校正后的算法与改进前的算法进行比对来证明该优化方案是否具有可行性,并分析了混合矢量以及信号重叠度对优化后的算法的影响。