频率宽开数字接收机常面临着欲接收的小信号被同频段大信号或强干扰的非线性产物淹没的问题,设法提高数字接收前端的无杂散动态范围可在很大程度上改善这一情况。本文首次提出以非线性系统辨识技术来解决数字接收前端这类弱非线性系统的失真补偿问题,其基本思路是：通过自适应调整级联于数字接收前端之后的非线性数字补偿模型的参数,使其与接收前端的非线性传递函数互逆,从而有效降低或消除接收前端的非线性。归纳起来,本文内容主要包括以下几个方面：通过定性分析和仿真,研究数字接收前端的输出噪声与非线性失真的各种来源及所占比重,分析它们对数字接收机微弱信号检测性能的影响,指出非线性失真才是制约数字接收前端无杂散动态范围的最主要因素。对几类常用的记忆非线性模型进行详细地分析和总结,包括记忆多项式模型、模块化模型和Volterra模型。对比分析这几种参数化模型的拟合精度和计算复杂度。理论分析表明,Volterra模型在普适性和精度上均优于具有相同阶数和记忆深度的其它两类模型；但与此同时,它的计算复杂度也更高。据此,设计一种Volterra模型简化方法：如果频域Volterra核是可分离的,则可将Volterra模型简化为并行Wiener模型；如果频域Volterra核是组合频率的线性函数,又可将其简化为并行Hammerstein模型。推导出Volterra模型和这两种简化模型的逆模型,分别为Volterra模型和并行Wiener-Hammerstein模型。对模数转换器AD6645和一款直接采样型数字接收前端的测试结果表明,它们的频域Volterra核随输入信号频率的变化规律符合并行Wiener模型的性质。因此,与它们的非线性传递函数互逆的数字补偿模型是并行Wiener-Hammerstein模型。设计了三种Volterra模型自适应辨识和数字接收前端非线性失真补偿技术。它们分别使用了均方误差最小、峰度差异最小和基于二阶与三阶统计量组合的辨识准则。通过理论推导、仿真和对比试验评估了这些模型辨识方法的性能和优势。仿真试验结果表明,经过上述模型辨识与失真补偿处理后,系统的线性度指标可获得不同程度的改善。其中,基于均方误差最小的算法直接使用到输入信号的瞬时幅度信息,相比于其它两种使用统计量信息的算法,性能表现更加优异。提出了两种Volterra模型盲辨识和数字接收前端非线性失真补偿技术。它们分别使用了带外总功率最小和除大信号外总功率最小的辨识准则。使用前一种准则的算法采用限定输入信号频率范围的方式,将所有带外信号的总功率作为目标函数。使用后一种准则的算法采用频域搜索的方式,分辨出大信号的频率区间,将这一区间外的所有信号的总功率作为目标函数。通过理论推导、仿真和对比试验评估了这两种目标函数的性能。在一款直接采样型数字接收前端硬件电路上,对这两种算法进行了实际测试：多频正弦信号和带通信号输入时的试验结果表明,经过上述模型辨识与失真补偿处理后,系统的无杂散失真动态范围能够获得14dB到24dB左右的改善。提出了一种并行Wiener-Hammerstein模型的混合辨识和数字接收前端非线性失真补偿技术,避免了由于输出信号与这一模块化模型参数之间不呈线性关系而造成的直接辨识难度较大的问题。模型的混合辨识分为两步：第一步是采用单频正弦信号作为测试输入,依据谐波失真抵消准则,辨识出并行Wiener-Hammerstein模型中的Wiener模块。第二步是依据MPOT准则,自适应地辨识模型中的线性记忆模块。在一款直接采样型数字接收前端硬件电路上,对这一算法进行了实际测试：多频正弦信号输入时的试验结果表明,经过上述模型辨识与失真补偿处理后,系统的无杂散失真动态范围可获得逾30dB的改善。