微多普勒效应可以反映目标的细节特征和运动细节等一系列信息。但是,如何将目标信号和微多普勒信息分离以提取微多普勒特征,如何使雷达成像更清晰,也是微多普勒特征提取领域的热点问题。由于微多普勒特征在每个距离门的时频表示具有明显的多分量的时频特性,因此瞬时频率估计成为微多普勒特征提取的理想工具。瞬时频率是非平稳信号的一项重要的特征,具备瞬时有效性,它可以反映信号某一时刻的频率变化趋势、表征时频的局部特征。但是,多分量信号的瞬时频率估计问题一直是非平稳信号处理领域一道棘手的难题,尤其是重叠多分量信号的瞬时频率估计,一直是学者研究的热点。本文解决了多分量瞬时频率的估计问题,并以此为基础进一步解决了雷达成像中微多普勒特征提取问题。基于时频分析中短时傅里叶变换,结合RANSAC算法,提出了一种多分量重叠信号瞬时频率估计和分离的算法。在将S变换用于雷达成像的同时,结合之前提出的算法,将目标和微多普勒信息分离,从而提取微多普勒特征。本文的主要工作包括:1.针对多分量重叠信号瞬时频率估计的问题,提出了一种自适应RANSAC算法。该算法结合了参数法和非参数法,无需知道信号的分量个数等先验知识。并增加了一种去噪的方法,使得算法在低信噪比的情况下也能有效的工作。实验结果表明在低信噪比的情况下,也能准确的分离多分量重叠信号。2.针对传统基于傅里叶变换雷达目标成像模糊的问题,提出将S变换和广义S变换应用于雷达成像。雷达信号中的目标信号和微多普勒信息部分,在时频分析平面中分别表现为低频部分的单频信号和高频部分的正弦调频信号。由于S变换向高频扩散的特性,匹配雷达成像,能使低频部分的目标信号部分减少微多普勒分量的干扰,从而有利于目标信号和微多普勒分量的分离。3.将奇异谱分解的算法运用于目标信号与微多普勒分量的分离。采用奇异谱分解的方法对非刚体目标回波信号进行分解,将目标刚体部分的回波与游动部件引入的微多普勒信息进行分离,并结合最小熵判定准则,最终得到清晰的雷达目标图像。仿真实验和实际数据表明,该算法能有效的分离微多普勒特征。4.将RANSAC算法引用微多普勒特征提取中,实验结果表明,该算法能有效的分离雷达回波信号中的刚体部分和微多普勒信息部分,并将两种算法的实验结果进行了对比分析。