通信信号的分类识别主要用于实现对通信电台的个体识别,从而为通信网络的组成提供进一步判定的依据。通信信号的分类识别依据对由于各电台硬件差异而附加在发射信号上的细微差异的分析研究来进行。本文主要研究如何通过对信号进行相关变换和特征降维来实现基于细微特征的通信信号分类识别。首先,研究了基于细微特征的信号分选识别方法的相关概念。对细微特征的产生机理,特征分析的可行性以及细微特征分析对信号分类识别的作用等作了一定研究,对基于细微特征的信号分类的总体架构作了探讨。其次,研究了基于时频核方法的信号分类识别。传统基于时频分析的细微特征研究方法使用标准的时频分布或者是对预先定义好的时频核函数的参数优化,没有明确的将分类作为时频表示的目标。以分类为目的的时频核分析方法以强调不同类之间的差别作为时频表示的设计目标。在对现有的特征降维方法如Fisher方法和K-L方法进行研究的基础上提出了Fisher-KL联合方法,即对Fisher方法得到的降维特征空间再进行K-L变换。该算法消除了Fisher方法提取后的特征存在的相关性,同时降低了K-L方法中待分解矩阵的维数,因此具有较好的分类性能且运算难度降低。仿真结果验证了算法对于通信信号的分选识别的有效性。最后,研究了基于最佳基算法的信号分类识别。传统上短时傅里叶变换通过窗的使用来得到信号的局部时频特性,但窗的不连续会造成信号的突然截断,而重叠窗则容易导致模糊。局部小波包变换和局部余弦变换通过平滑的截断函数和折叠操作来同时保证连续和正交。在应用局部小波包和局部余弦得到的二叉树型子空间结构中使用分离性指标和最佳基算法来得到具有最优分类能力的最佳基,以其相应的展开系数作为特征输入分类器。本文使用Fisher方法对特征空间进行降维操作,因而比未进行继续降维的原始最佳基方法提取的特征的分类性能更好。仿真结果表明对于通信信号来说,最佳基算法在运算速度和抗噪声性能上都更具优势。