基于互高阶累计量的谐波恢复方法的研究是人们在理论和应用上向信号处理更深层次探索的结果。与其它方法相比，互高阶累计量具有更加突出的噪声抑制能力。而状态空间模型的提出为深入分析谐波恢复及其它相关问题提供了具体而清晰的手段。 近些年来，采用基于模型的特征值分解方法来解决谐波恢复及相关问题已经引起了人们的重视。利用所处理信号的线性模型可将非线性估计问题转化成简单的两个步骤，第一步为线性模型的参数估计问题，第二步为非线性过程。即从所估计的模型参数中提取所需要的信息(频率、衰减因子、波达方向)的过程。这两个步骤对整个基于模型的参数估计的成功都很重要，每一步的不良的确立将反过来影响整个方法的性能。第一步的可信度依赖于模型参数估计方案。而第二步的可信度依赖于所求信息对模型参数的敏感性。 通常在信号处理中，多假设或使用线性模型的多项式实现。然而，线性模型的状态空间实现可作为另一种选择，并且有时在解决某些信号处理问题时状态空间描述是比较合适的。状态空间描述为模型参数化过程提供了灵活性，能够使基于模型的信号处理的两个步骤更可靠。它比其它AR、MA、ARMA模型更能够揭露问题的实质，而基于AR、MA、ARMA模型的一类子空间方法完全可以概括为状态空间模型方法的特例。状态空间模型的结构特性更为谐波恢复提供了新的途径。本文研究了基于互高阶累计量及状态空间模型的几种有效的谐波恢复方法。主要工作可概括如下： 1.首先介绍了高阶累计量及谐波恢复的研究发展现状，然后概述了状态空间模型的特性。最后还介绍了本论文的主要工作及技术指标。 2.介绍了高阶累计量的定义和性质和互高阶累计量的定义和性质以及状态空间模型与时间序列模型的关系。 3.推导出基于互高阶累计量的状态空间模型以及相应的几种谐波恢复方法。其中包括基于互高阶累计量的Hankel矩阵及改进Hankel矩阵分解法；互高阶累计量的ls-Hankel方法Tls-Hankel方法；基于互高阶累计量的结构最小二乘法。 4.通过计算机仿真验证了本文所提出各种方法的有效性。 5.对全文工作进行了总结并对本研究领域的下一步工作进行了展望。 与其它方法相比，本文方法具有以下优点： 1.数据所具有的一种不变结构可通过状态空间描述清晰的表现出来，它可用于提取与信号相关的信息。 2.状态空间模型为模型参数化提供了一定程度的灵活性 3.与求取多项式根来得到最终所感兴趣的数值的经典多项式方法或转移函数方法相比，状态空间描述允许使用某些数值上的鲁棒技术。 4.此外，数据长度较短也是状态空间模型的一大优势。