时频分析是非平稳信号分析的有力工具,可分为线性方法和非线性方法及其各自衍生类等。以短时傅里叶变换(Short-Time Fourier transform,STFT)为代表的线性时频分析方法计算简单易于实现,但分辨率较低,而以Wigner-Ville分布(Wigner-Ville distribution,WVD)为代表的非线性方法聚集性高,却受交叉项干扰性能降低。多年来,研究者针对各方法特点改进优化,提出很多分析方法,但这些方法大都根据特定应用需求提出,其适用范围仍需进一步扩展。因此,在现有方法理论基础上,仍需不断改进并探索新方法。本文在分析现有时频分析方法特点的基础上,针对不同方法的缺点提出改进,主要工作如下:1、针对S变换(S-transform,ST)固定多分辨率缺点,将ST中高斯窗标准差构造为时间与频率的函数,称之为改进广义S变换(Improved Generalized S-transform,IGST),并利用STFT与IGST间的关系,研究了STFT支撑域最小时的高斯窗标准差决定因子,给出IGST中高斯窗最优标准差决定因子。此外,为解决调频斜率估计过程中信号各分量频率相交处易出现较大估计误差的问题,提出一种频率重组方法。仿真分析表明,频率重组方法可准确估计信号各分量瞬时频率,提高调频斜率估计精度。IGST实现了信号不同时间与频率处的更优分析,具有与传统STFT相似的抗噪性能。2、为剔除WVD中交叉项干扰,研究了线性调频信号模糊函数分布特点,在此基础上分析了一般非平稳信号模糊域分布特点,将模糊域原点周围距原点最近的极小值点作为自项与交叉项分布边界,同时,结合边缘检测与数学形态学提取出边界内的信号信息,再根据压缩感知理论,利用所选信号信息恢复重建信号时频分布。仿真结果表明,重新定义的自项分布区域包含更多信号自项信息,可用其恢复重建出聚集性更高的时频分布。此外,与传统时频分析方法相比,新方法抗噪性能更强。3、研究了常见参数化时频分析方法特点,据此提出广义参数化时频分析(General Parameterized Time-Frequency Analysis,GPTFA)方法,避免了非参数化时频分析方法时频聚集性不高的问题。此外,基于信号频率重组,提出多分量信号分离方法。仿真表明,相比于非参数化方法,参数化时频分析方法可在参数趋近理论值时得到聚集性更高的时频分布,本文所提信号分离方法能够实现多分量信号分离,并将分离结果叠加得到多分量信号的高聚集性时频分布。最后,由于采用迭代估计使参数估计性能更优,因而在低信噪比环境下,GPTFA方法仍可得到高聚集性时频分布。