跳频通信技术凭借低截获概率、抗衰落、抗干扰、保密性能好等一系列优点,被广泛应用于军事通信领域。随着战时通信对抗愈演愈烈,跳频电台间通常组网进行工作,从而进一步提高跳频通信系统的抗干扰、抗截获能力。同时,跳频组网也给跳频通信侦察工作带来了更大的挑战。因此,分选截获到的多跳频电台混合信号,作为对单个跳频电台信号进行破译和跟踪干扰的前提,具有重大的战术意义。多网台跳频信号分选需要在跳频组网和信号参数特征提取等技术和理论基础下进行。因此,本文主要从跳频相关技术和跳频网台分选算法两个方面,开展关于跳频通信侦察的研究,具体的研究内容概括如下:在多网台跳频相关技术方面,本文提出了一种基于时频谱切片的信号参数特征提取方法,从而解决现有多网台跳频信号相关算法复杂度高的问题。首先,研究了短时傅里叶变换、谱图变换、魏格纳威尔分布和Gober变换等时频变换算法,针对跳频信号进行仿真并评估性能;然后,考虑到实际电磁环境中常见的干扰信号和噪声,在谱图变换的基础上结合形态学图像处理算法剔除无关信号;最后,在干净的跳频信号时频图上估计跳频频率集,并在频率集中频点处做切片,分别对各频点处出现的信号进行跳周期、跳时和功率的估计,通过仿真验证算法的准确性。在多网台跳频信号的分选算法方面,本文分别研究了基于聚类分析和基于神经网络的跳频信号分选方法,并对两种算法的分选精度和计算复杂度进行分析比较。首先,对不同组网方式下适用的跳频信号参数特征进行分析总结;然后,对基于最远距离法优化初始中心的K-Means聚类分析算法展开研究,设计并实现了多网台跳频信号的分选;最后,重点提出了神经网络算法实现混合跳频信号的实时分选,并采用了共轭梯度算法加速神经网络的训练过程。仿真结果多方面比较了两种算法的性能优劣。