无线通信业务的快速增长要求开发更多的通信资源，天线阵列技术就是一种利用空间资源的有效手段，它扩充了传统通信中的频域、时域和码域资源，从而能够有效地增强信号传输强度并增加系统容量。在CDMA的智能天线系统中，自适应天线阵列通过对接收或发送信号的实时波束赋形，将天线增益对准信号传输的方向，从而能够节省发射功率、增加鲁棒性。作为智能天线的扩展，MIMO系统在接收发射两端均使用多天线阵列，不仅像智能天线那样增强了信号稳定性，更重要的是在强散射环境下并行传输多路信号，从而突破传统通信系统的容量瓶颈，大幅度提高系统的信道容量。然而，实际的无线通信信道受不同变化环境因素的影响，目终端通常处于移动状态，这些都要求实时性的在线无线信号处理方式。在智能天线技术中，虽然对不同的用户具有不同的波束，但不可能完全抑止多用户之间的干扰(MAI)，且与环境噪声相比具有更强的干扰性。因此，多用户检测技术作为一种智能化的接收手段被用在CDMA系统中，成为一种关键信号处理技术。目前，已经提出了多种多用户检测方法，如最优检测、解相关检测器、MMSE匹配滤波等，但很多方法不是计算复杂度太高，不适合信号的实时处理，就是多用户检测的性能有限，不能充分利用通信资源。针对这一问题，研究者们提出了更有效的解决方法，如盲自适应方法和本文介绍的基于SVM的智能检测方法。支持向量机(SVM)是基于V．Vapnik统计学习理论的一种智能机器学习方法。近年来，它也成为无线通信信号处理上的一种智能化先进处理技术。然而，传统的SVM的处理需要求解有约束的二次规划问题，这样的处理速度很难满足在线应用，尤其在训练样本数较大的情况下。因此，研究者们提出了各种算法来改进SVM的训练速度，如SMO方法、LS-SVM方法等，但这些方法在实际的应用中仍有一定的局限性。针对这一问题。我们提出了FOSVC算法。该算法通过K．K．T．条件判别新增加的训练序列，只选择那些违反K．K．T．条件的样本来构造当前训练样本集。它不但加快了样本的训练速度，还通过灵活的样本递增方式解决了实时信号处理的样本获取问题。仿真结果表明，在相同的条件下，FOSVC算法在分类错误率与传统SVM方法相当，且具有更少的支持向量数和更短的训练时间，因而是一种高效的在线实时分类算法。多用户检测的目标就是在给定接收信号的条件下判别出目标用户实际发送的信号，基于通信信号的二值性，检测的目标也就是判断用户发送信号是(+1)还是(-1)，这可以看作为一个典型的二分类问题。我们在给定的多用户检测模型下，将我们提出的FOSVC算法用于一般的多用户检测问题。在处理过程中，通过训练序列的连续批增加方式实时训练判别器，而不需要其它的复杂运算(如矩阵求逆)，从而简化了处理过程。实验结果显示该快速递增算法有效地抑制了多用户干扰和环境噪声，检测误码率明显低于一般MMSE多用户检测器，因此是一种有效的多用户检测方法。MIMO系统通过发射端和接收端均采用多天线阵元的方式，增强了接收信号的鲁棒性和信道容量。然而，多天线的使用增大了系统的硬件成本和信号处理的复杂度，天线选择技术通过从全部天线中选取部分天线进行信号处理的方式，以系统容量的微小损失大大节省了处理硬件的成本和数据处理的复杂度。天线选择技术除了用于传统的天线分集以外，更重要的是它通过在不同的子信道中并行传输独立的数据流，从而突破了传统无线系统的容量瓶颈，显著提高系统的通信容量，即空间复用。在这两种应用下，天线选择技术具有不同的准则和选择方法。结合信道的空间相关性，天线选择通过信道的解相关在保持系统高容最的同时更加有效地利用了收发天线。在天线选择技术中，最优的选择算法具有指数级的高复杂度，不适合信号处理的实时运算。为了降低天线选择算法的计算复杂度。而又保持MIMO系统的高容量，我们对信道矩阵进行了特征值分解(SVD)，然后在此基础上推导了天线选择的容量损失因子，并基于该损失因子提出了基于特征空间的选择算法。其中，基于特征空间的渐消天线选择(EVBGE)算法通过循环消去性能最”差”的单个天线，最终选定要求的天线数。仿真实验表明该算法比最优算法的执行效率高，且中断容量性能与最优选择算法相当。为了进一步降低处理的复杂度，在给定的条件下，我们提出了基于特征空间的简化算法。该简化算法只需要信道矩阵的一次SVD分解，然后根据分解后的非零特征值及其对应的特征向量构成的特征空间直接进行选取，我们通过对比说明了该简化算法等价于特征空间上的基于范数的天线选择(NBS)算法。仿真实验表明，与最优算法和EVBGE算法相比，该简化算法具有最快的计算速度，且在给定的条件下，中断容量性能逼近于最优选择算法，从而为天线选择技术的实际应用提供了一种可选方式。