Turbo码是由C.Berrou等人在ICC’93会议上提出的一种信道编码。因为它采用的迭代译码方式就像涡轮引擎一样，所以被形象地叫做turbo码。Turbo码在高斯信道下的纠错性能接近Shannon限，因此它的出现引起信息理论界的高度关注。Turbo码的实质是使用交织器并行级联两个卷积码，它与以往的信道编码的不同之处在于通过交织器级联短码的方式得到了近似的随机长码。此外turbo码使用迭代的译码策略，在迭代过程中进行两个成员译码器间的信息交换，能渐进达到最大似然译码的性能。对于学术界来说，turbo码不仅仅是一种有着优异性能的纠错码，更重要的是它的出现提供了一条达到理论极限的途径。因此其内在机理及应用成为研究的热点。本文着重研究了turbo原理在信道调制和均衡两方面的应用。 首先对卷积码的代数、图形表示，距离特性及网格译码方法做了介绍。在此基础上分析了turbo码和串行级联卷积码的编码结构，迭代译码方法和性能。总结了turbo原理：使用交织器级联多个成员码为特征的编码和软信息交换为特征的迭代译码。 其次对turbo原理应用于信道调制做了研究。尽管turbo码是优秀的纠错码，但是这种强大的二进制编码体系不适合带限通信系统。为了同时获得大编码增益和高带宽效率，需要将turbo码与网格编码调制结合。我们介绍了网格编码调制的方法和原理，总结了turbo码和多层调制、网格编码调制等高带宽效率调制方式结合的4种方式：使用一个turbo码的经典系统、使用多层turbo码的经典系统、删除校验符号的turbo网格编码调制(TTCM)和删除信息符号的TTCM。并在删除校验符号的TTCM基础上提出基于简单时变网格的TTCM结构。它的编码器通过不同的交织器级联多个两状态的时变网格成员码。译码器使用迭代方法在多个成员译码器之间进行软信息交换。通过对一个简单例子的仿真证明该系统与基于时不变网格的TTCM相比，在相同计算复杂度情况下，有更好的性能。我们从有效自由欧氏距离角度给出了合理的解释并将这种时变TTCM系统推广到更高带宽效率的情况。这种时变的TTCM有着与传统的TTCM相似的性能，但是由于使用两状态的网格成员码，译码器的计算复杂度低得多。 随后对turbo均衡(turbo原理在信道均衡中的应用)进行了探讨。由于通信中的符号间干扰(ISI)现象可以归结为发送符号的卷积，因此信道编码、信道交织器以及ISI信道的级联与串行级联卷级码很相似。所以在接收端可以使用类似于串行级联卷级码的迭代译码方式联合均衡译码，这就是turbo均衡。我们回顾了有符号间干扰(ISI)的线性时不变信道的离散时间模型及三种传统的均衡器：Viterbi均衡器、线性均衡器和判决反馈均衡器。为了将这三种均衡器用于turbo均衡，我们分别给出了它们对应的基于先验信息版本：MAP均衡器，CMMSE均衡器和使用先验信息的DFE均衡器。基于实数增扩矩阵我们将CMMSE均衡器改进成RMMSE均衡器。RMMSE均衡器使用实矩阵表达可以对复数符号的实部和虚部分别处理，与CMMSE均衡器的复矩阵处理相比，在相同复杂性下能更充分的利用先验信息，因此得到更好的性能。基于接收符号序列近似联合高斯序列的假设，我们使用实增扩矩阵表达推导了一个用于turbo均衡的JG均衡器。由于使用联合高斯近似，它的推导比RMMSE均衡器更为简单。同时我们也给出联合高斯均衡器的低复杂度实现。仿真表明它在turbo均衡中以低于RMMSE的复杂度获得了相同的性能。以卷积码编码系统的turbo均衡原型为基础，我们研究了卷积码、turbo码、TCM和TTCM系统的turbo均衡。仿真和分析表明，使用基于MAP均衡器的turbo均衡，turbo码系统的turbo均衡可以接近ISI信道的容限，TCM系统尽管在弱ISI信道下性能要差于TTCM系统，但在较强ISI信道下TCM系统反而会优于TTCM系统。由于MAP均衡器的复杂性随调制级数和ISI的长度指数增长，对于多级调制的卷积编码系统，我们研究了基于低复杂度均衡器(CMMSE，RMMSE，JG)的turbo均衡，并从MAP均衡器的前后向递归中受到启发，给出了三种改进方法，提高了基于低复杂度均衡器的turbo均衡的性能，大大缩小了与使用MAP均衡器的turbo均衡的差距。 最后研究了半盲turbo均衡。turbo均衡需要己知151信道和噪声方差。为了获取这些参数，非盲方法需要大量的训练符号，而盲方法存在难以解决的相位模糊问题。因此我们使用少量训练符号配合高阶盲均衡/识别技术来获取这些参数，将turbo均衡改造成半盲turbo均衡。我们回顾了高阶统计量的定义和性质，介绍了常用的基于高阶统计量的盲均衡/识别算法以及它们的特性和联系。详细分析了适合在移动通信中使用的EVA盲均衡和EVI盲识别方法。我们使用极少量训练符号解决了EVI盲识别算法中的相位模糊和过估计问题，并给出了估计噪声方差和信道幅度因子的方法，从而得到turbo均衡所需的信道参数初始值。为了改善这个初始值，我们构造了类似EM算法的迭代Evl方法，仿真证明该方法有效的提高了信道和噪声的估计精度。除了在turbo均衡前改善初始估计，我们还使用重复turbo均衡以及turbo均衡中内嵌三阶段识别方法进一步改善信道估计，从而提高turbo均衡的性能。我们通过仿真证明了该方法的有效性。 本文的