扩频通信使得有用信号在宽带上进行传输,扩频后的发送信号的带宽远远大于实际传输中有用信号所需的带宽,这就保证了通信的抗干扰、低截获以及保密特性,从而实现了安全通信。为了满足急剧增长的军用、民用通信容量以及频带的需求,现在各国都纷纷将DS-CDMA信号大量应用于现代通信系统中。但是DS-CDMA信号的扩频“隐蔽”策略利用频谱扩展技术降低有用信号的功率谱密度,直到有用信号完全被噪声所掩盖,给非合作通信方或通信对抗方侦察有用信息带来了严峻的挑战。因此研究DS-CDMA信号伪码序列的盲估计就显得日趋重要。本论文的主要工作包括以下几个方面:(1)针对矩阵分解方法在DS-CDMA信号伪码序列盲估计中可处理的数据向量较短且复杂度高的问题,研究了一种基于Sanger神经网络(Sanger NN)的DS-CDMA信号伪码序列盲估计方法。该方法首先将已分段的一周期DS-CDMA信号作为神经网络的输入信号,用神经网络权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过权值向量的符号函数重建出来。此外,本文研究了一种在递归最小二乘(RLS)意义下的最优变步长收敛模型,极大地提高了网络的收敛速度。(2)针对Sanger NN方法在DS-CDMA信号伪码序列盲估计中收敛速度较慢的问题,研究了一种基于LEAP神经网络(LEAP NN)的DS-CDMA信号伪码序列盲估计方法。该方法在Sanger NN的基础上,在神经网络的权值更新公式中加入了矩阵运算,实现了连接权值的施密特正交化。(3)针对LEAP NN方法在DS-CDMA信号伪码序列盲估计中因包含矩阵运算而导致的复杂度高,且在伪码序列较长时无法收敛的问题,研究了一种基于APEX神经网络(APEX NN)的DS-CDMA信号伪码序列盲估计方法。该方法在Sanger NN的基础上,通过在神经网络的输出端加入侧向连接来实现连接权值的去相关。