随着对混沌学的深入研究,很多看似随机的复杂背景信号具有混沌特性。如何有效地将混沌噪声中的微弱目标信号提取出来,对信号的检测具有重要意义和应用价值。本文对相空间重构理论进行研究分析,利用混沌背景信号短期可预测性,建立混沌背景噪声的单步预测模型,将淹没在混沌背景噪声中的微弱瞬态信号和周期信号从预测误差中检测出来。基于此,研究了混沌背景中微弱信号检测的多参数组合优化方法和回声状态网络方法,主要研究内容如下：混沌背景中微弱信号检测的多参数组合优化方法研究。在基于支持向量机的混沌背景下的微弱信号检测方面,针对传统检测方法对混沌背景下微弱信号检测能力不足的问题,提出了基于多参数组合优化的微弱信号检测方法。该方法利用相空间重构参数和支持向量机模型参数间的相互依赖、相互制约的关系,采用遗传算法对这两种参数进行组合优化,根据得到的最优参数值进行建模、训练和预测。通过Mackey-Glass时间序列验证模型的准确性,以Lorenz系统作为混沌背景噪声进行实验研究,仿真验证表明,本文所提方法能够有效地将混沌背景噪声中的微弱瞬态信号和微弱周期信号检测出来,与传统的参数求取方法相比,预测精度和检测性能均得到显著提高。混沌背景中微弱信号检测的回声状态网络方法研究。针对回声状态网络参数选取困难这一问题,仍采用具有隐含并行性和强大全局搜索能力的遗传算法对其模型参数进行优化,经过遗传算法的一系列操作获得适合数据特点的最优模型参数。利用得到的最优模型参数建立混沌背景噪声的单步预测模型,从预测误差中判断混沌背景中是否存在微弱目标信号。以Lorenz系统和实测的海杂波数据作为混沌背景噪声进行仿真实验,仿真结果表明,本文所提方法在预测精度和训练速度方面均优于支持向量机和神经网络模型,能够有效地检测出混沌背景噪声中的微弱目标信号,且具有较小的预测误差。