时延估计(Time Delay Estimation,TDE)是信号处理中一个十分活跃的研究方向,是信号检测与参数估计问题中一个重要组成部分。一方面,时延估计对随机信号处理、现代功率谱估计、时间序列分析、自适应信号处理以及相关技术提出了新的要求,从而促使了这些学科和技术的进步;另一方面,时延估计在雷达、声纳、通信、生物医学以及地球物理等领域得到了广泛了应用。因而,时延估计的研究具有重要的理论意义和实际应用价值。本文针对现代功率谱估计中的AR谱估计方法展开工作,以获得更好的谱估计性能。　　 本文第一部分工作是在对已有的基本时延估计方法进行归纳和总结,并重点分析AR谱估计理论及Burg算法性能,在此基础上,提出广义AR模型:以前向和后向预测均方误差为目标函数,把广义AR模型的实现转化为优化估计问题;使用具有全局优化性能的数值优化算法(粒子群方法,PSO)直接搜索模型参数,即白化滤波系数αk,实现了广义AR模型的数值优化算法(简称GAR-Burg)。理论上,GAR-Burg一方面继承了AR-Burg的基本思想,另一方面它没有使用递推算法,避免了递推算法引入的误差,可以消除估计过程中可能出现的谱峰偏移和谱峰分裂现象。对比AR-Burg算法与GAR-Burg算法,大量数值仿真实验结果表明:GAR-Burg消除了AR-Burg的谱峰偏移及谱峰分裂现象;在相同信噪比条件下,GAR-Burg有更好的功率谱估计性能。　　 本文第二部分工作是把GAR-Burg应用于时延估计上。一般的近代功率谱估计方法,由于谱估计过程中可以含有一个任意的相位因子,因此无法获得唯一或稳定的信号相位信息,即无法实现时延估计。本文提出,在GAR-Burg谱估计方法的基础上,增加线性约束条件,即(p∑k=0)α(k)=1,来实现GAR-Burg的时延估计,文中称该时延估计方法为GAR参数模型法。理论上,线性约束条件下的滤波器口。是使期望信号全部保留而只对噪声白化的滤波器,从而使得GAR参数模型法不仅能估计信号频率信息,同时也可以用于估计信号的相位信息,从而估计信号的时延信息。对比传统的傅立叶变换时延估计方法,针对GAR参数模型法所进行的数值仿真实验结果表明:①GAR参数模型法在低信噪比条件下有更好的相位和时延估计性能。②在有色噪声条件下,GAR参数模型法的时延估计性能明显优于傅立叶变换时延估计方法。海上实验数据处理进一步验证了实验室数值仿真的结论。　　 需要说明的是,由于GAR-Burg和GAR参数模型法都利用时间域的数据获取统计信息来优化模型参数,因此,两者都只适用于平稳序列。　　 本文工作的创新性主要体现在以如下两点:一是提出了广义AR模型,不限定AR模型中的α0=1,将α0也当作未知变量,与α1～αp一起进行数值搜索估计,从而增加了模型的自由度,提高估计精度;对相应的Burg算法进行改进,引入了具有全局优化性能的粒子群优化搜索算法,从而摆脱Levinson-Durbin递推算法的约束,最后进行数值仿真验证;二是提出GAR参数模型时延估计方法,将GAR-Burg算法增加线性约束条件(pΣk=0)α(k)=1,使其只对噪声部分进行白化滤波,而将信号变成直流保护起来,从而保留了信号的相位信息,使得算法不仅可以估计信号的频率,还可以实现相位和时延参数的估计,该方法在噪声为有色噪声情况下能够获得较高的估计精度。