频率估计算法通常可以分为基于频域特征和基于时域特征两类。基于频域的算法估计准确,但实现复杂;而基于线性预测的时域算法实现简单,广泛应用于快速实时频率估计的应用场景。本文主要基于单位约束最小二乘准则,着重从基于新的连续四点的线性预测模型、基于任意时间间隔的线性预测模型这两个方面展开深入研究,具体研究内容和主要贡献如下:研究了基于线性预测的频率估计算法。首先了介绍线性预测的频率估计的基本思想。研究了基于连续三点的修正协方差(MC)算法和改进的Pisarenko谐波分解器(RPHD)算法,介绍了基于连续四点的线性预测算法的提出,并分析了该算法使用的局限条件。研究了基于单位约束最小二乘的新型的连续四点线性预测模型的频率估计算法。为了解决已有的连续四点算法的使用的局限性,提出了新的基于四个连续实值单频正弦样本之间的时间序列关系。为了实现渐进无偏频率估计,基于所提出的四点时间序列关系,利用单位约束最小二乘准则获得相应的频率估计子,并且推导出所提出的频率估计算法方差的闭合表示式和其化简后的渐近表达式,便于与RPHD算法进行理论性能比较。通过方差表达式,详细地分析了所提出的基于新的连续四点线性预测的频率估计器性能优势频率段。仿真结果验证了所提出算法的理论方差及渐进方差的准确性。所提出的四点频率估计算法与其基于三点的RPHD算法相比,在小于0.5π的数字域频段对于短观测序列具有明显的优势,更接近克拉美劳下界(CRLB),适合实时频率估计的应用场景。研究了基于单位约束最小二乘的任意时间间隔的线性预测模型的频率估计算法。首先介绍了借助高序号自相关改进了频率估计性能不一致问题的P估计器和修正的Pisarenko谐波分解器(MPHD)算法。针对已有基于连续时间序列的频率估计算法性能不一致的问题,借助高序号自相关的思考方式,保留线性预测模型中的任意时间间隔,提出了基于任意时间间隔的改进三点和四点线性预测模型,基于单位约束最小二乘的法则求出相应的频率估计子,并且推导出算法对应的闭合方差的近似表达式。在近似方差表达式的基础上,可以得出获得最佳估计性能的最佳时间间隔的闭合表达式,通过闭合表达式的遍历便可以获解。最终总结出该类频率估计算法实现的重要三个步骤。通过计算机仿真验证了频率估计算法的有效性和推导出的方差公式的正确性,改进算法确实可以在全频段上提供性能相当一致的估计。仿真结果表明估计性能的稳定性是四点算法优于三点算法,三点算法优于已有的MPHD算法。基于任意时间间隔的线性预测模型的频率估计算法的复杂度是基于连续时间序列模型的6)倍,因此该类频率估计算法适用于精度要求更高的应用场景中。