随着信息科学的高速发展和计算机科技的大幅进步,对短时序列信号频谱的估计分析在各大科研领域中的地位大有可观。利用算法对信号频谱进行分析估计,既可以获取信号在每个频率的能量分布,又可以研究信号频域中各项参数及提取信号特征频率。经典频谱估计因频率分辨率与数据序列长度成正比,导致其分辨率和估计精度低,频谱方差性能差。针对经典谱估计缺陷,现代谱估计法应时而生,其分辨率高,图谱识别力强,更加适合短时序列的频谱分析,因此在军事、工程、通信、交通等领域倍受应用。本文首先介绍频谱估计的发展历史和研究现状,对经典谱估计的一些主流算法进行对比并分析其中不足,进而引出现代谱估计思想。在论述AR参数模型法的基础上,对其信号频谱分析的Yule-Walker方程和求解方程的Levinson-Durbin递推式进行分析,并详细论述Burg算法为求解模型参数的有效方法。其次根据Burg算法的原理和实现步骤,通过构建仿真信号及实验测取滚动轴承振动信号数据进行频谱估计。与经典谱估计中的FFT算法进行不同序列长度的比较,指出其分析短序列数据时存在的缺陷,进一步证明Burg算法对短时序列信号频谱估计具有识别能力强和分辨率高等优越性。最后针对Burg算法出现的谱线分裂、谱峰偏移等异常现象及频谱估计误差进行理论推导,分析指出因一阶系数求解存在误差而导致最终谱估计结果出现偏差。由此本文先求解二阶系数,再逆推得出一阶系数精确值,求解反射系数时引入最优权函数,通过加权运算对Burg算法进一步优化,并利用实验数据分析比较改进前后Burg算法频谱估计的差异。结果表明改进之后的Burg算法不仅能消除频谱估计异常,同时能提高估计精度和频率分辨率,从而证明优化之后的Burg算法具有更优良的短时序列谱估计性能。