提高信噪比的一个重要手段是将采集的有噪声信号进行平均。但由于信号之间存在着随机的相对时移,导致估计出的信号产生失真,因此平均之前需要将有噪声信号对准。质心估计算法和相关函数法是估计相对时移的经典方法。为了使算法对噪声干扰具有鲁棒性,在这两类方法的基础上,又提出了自适应质心估计算法、完全相关函数法以及自适应相关函数法等改进方案。但目前这些方法的性能评估仅建立在仿真和实验的基础上,而不是系统的理论分析,因此不能全面地考虑各种因素对性能的影响。与此同时,基于统计学习理论的支持向量机方法在短短几年内取得了巨大的成就。它以坚实的理论基础和完善的算法在很多领域替代了神经网络。目前支持向量机多应用于模式识别和预测当中,如果能利用其优秀的泛化性能,对信号中的加性随机噪声进行抑制,那么就会给其开辟一块新的领域。鉴于此,本论文对有噪声信号对准理论进行系统的研究,并提出改进的算法。首先由于有噪声信号质心受到噪声的干扰,是一个随机变量,因此从理论推导和仿真估计两方面研究噪声分布的均值、标准差以及长度因素对有噪声信号质心分布的影响,并建立有噪声信号的质心模型以及基于质心法的估计信号模型,根据这些模型,得到影响估计效果的主要因素,并提出相应的改进方案。其次对自适应质心估计算法建立理论模型,详细分析该算法的原理,讨论其局限性。由于当信噪比低到一定程度时,有用信号的损失过大,会导致引入新的随机时移,使算法完全失效,因此通过将信号分组的方式提出改进的自适应质心估计算法,并对分组的原则进行研究。同时由于相关函数法是时移估计的经典方法,因此通过建立三种典型的信号模型,得出最容易使其失效的条件,并分析参数对其抗噪声能力的影响,总结出它的不足,然后通过仿真与改进的自适应质心估计算法进行性能比较。接着根据支持向量机有坚实的理论基础和良好的泛化能力的特点,将其引入到信号处理中的加性噪声抑制中,分析噪声抑制的原理、核函数及其参数的作用,通过仿真验证理论分析的结果。将支持向量机用于信号对准中,即对有噪声信号先用支持向量机进行预处理,然后通过简单的电平检测法将这些信号对准。通过仿真,将改进的自适应质心法、相关函数法和由支持向