时间序列指的是某种现象的统计标量在不同时间上具有各自的数值,并且按照时间先后顺序排列而成的数值序列。在天文学、地质学、气候学、生物科学等众多领域中,由于受到客观环境及条件的限制,通常所观测的时间序列均满足非均匀采样性质,其被称为非均匀时间序列。对于此类型的时间序列,其周期的计算是十分重要且必须的,因为通过周期等物理参数可以对所研究对象背后的物理性质进行分析和研究。随着信号采样理论的发展,非均匀时间序列的周期估计问题成为时间序列分析中一个重要的研究分支,具有较大的研究价值。　　本论文主要研究对象为非均匀时间序列的周期估计算法,所包括的算法有:数据补偿离散傅里叶变化(DCDFT)算法、CLEANest算法、状态弥散最小化(PDM)算法、Lomb-Scargle(LS)算法、归一化Lomb-Scargle(GLS)算法、加权小波Z变换(WWZ)算法、匹配追踪算法(MP)、交叉小波(CW)算法等。本论文首次对此类型的算法进行总结以及归纳,并且对其中具有代表性的算法进行改进和提高,主要集中在算法的置信度分析方面,论文主要贡献概括如下:　　1.由于非均匀时间序列周期估计算法是一种统计性算法,算法处理结果必须进行置信度分析后才具有一定的意义。然而,在数据观测时,由于无法避免受到设备等其它客观因素的影响,观测所得数据肯定会存在一定的误差,所以需对算法的结果进行白噪音的检验。除此之外,对于天文领域中所观测得到的数据,由于担心受到红噪音的影响,需对算法的处理结果进行红噪音的检验。本文利用蒙特卡洛原理,对加权小波Z变换(WWZ)算法的处理结果创新性的进行白噪音的检验,弥补了该算法在置信度方面的缺陷。除此之外,对Lomb-Scargle(LS)算法的处理结果进行红噪音的检验。通过上述白噪音的检验和红噪音的检验后,可提高算法处理结果的可信性。　　2.首次尝试将交叉小波变换(CW)算法和匹配追踪(MP)算法运用在非均匀时间序列的周期估计中。由于上述两种算法对数据的采样间隔非常敏感,所以在算法处理之前,首先利用线性插值对时间序列进行插值预处理,通过计算机仿真,验证以上两种算法的有效性。仿真结果表明:利用交叉小波变换(CW)算法和匹配追踪(MP)算法对某些采样间隔相对较小的时间序列进行处理时,可以得到较为精确的处理结果,当数据采样间隔较大时,算法得到的处理结果并不理想,这是本课题后续研究的重点。　　3.将数据补偿离散傅里叶变化(DCDFT)算法、CLEANest算法、状态弥散最小化(PDM)算法、Lomb-Scargle(LS)算法、归一化Lomb-Scargle(GLS)算法、加权小波Z变换(WWZ)算法等应用在天文领域中某些致密天体的光变周期分析中,以达到多算法、多角度、高置信度共同确定非均匀时间序列周期的目的。在本论文中,所研究的数据来源于密歇根大学射电天文台和中科院上海天文台,数据来源真实可信。对比分析后,总结归纳出一种合理的多算法确定非均匀时间序列周期的方法:首先,利用DCDFT算法和CLEANest算法对时间序列进行处理,排除由于谐波效应等造成伪周期现象存在的可能性;其次,利用Lomb-Scargle(LS)算法对时间序列进行处理,并进行红噪音检验;最后,利用加权小波Z变换(WWZ)算法对时间序列进行处理,时-频域分析周期的存在,并进行白噪音的检验。