通信技术的迅猛发展和空间辐射源数目的不断增加,使得接收端捕获的数据资源往往包含多个通信信号,这些信号相互交织缠绕难以区分。多信号目标识别技术可以通过分析提取信号的特征参数,判断和衡量各个信号之间的差异性和关联性,进而监测和评估频谱使用情况和信号分布规律,从复杂无序的接收数据中甄别特定目标的信号资源,为下一步的信号分析处理奠定基础。然而,低信噪比、小样本数据和频域碰撞等问题给传统的多信号目标识别方法提出十分严峻的挑战,对此亟需在资源高度密集、信号接收质量恶劣的电磁环境条件下研究一种更加精准高效的多信号目标识别技术。近年来,基于稀疏重构的信号处理方法在上述非理想环境中表现出良好的算法优势。此外,多天线接收技术在信号检测、参数估计和信号分选等问题中逐渐成为主流技术之一。因此,本文以稀疏重构和多天线接收作为基础,紧密围绕多信号目标识别的应用背景,重点讨论研究两个关键问题:跳频信号网台分选和混叠信号频谱感知,其中每个问题各包括两个子问题。本文的主要工作可以概括为以下四点:1.现有的跳频信号网台分选算法需要积累足够长的样本数据,不仅无法满足实时快速要求,也无法处理高速跳频信号。为解决小样本条件下的信号分选问题,提出一种跳频信号实时跟踪和参数估计方法。根据跳频信号的频域稀疏性建立信号模型,引入稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)算法解决多观测向量(Multiple Measurement Vector,MMV)信号重构问题。在构建新的判决统计量基础之上,推导一种保持恒虚警概率的跳变时刻检测方法,通过设计滑动策略实现跳频信号的实时跟踪。分别利用几何重心法和最小二乘法估计每跳(hop)的载波频率和来波方向(Direction-of-Arrival,DOA),结合异步和同步跳频网台的时频规律实现网台分选。实验证明,新方法在低信噪比下具有更低的虚警概率,同时参数估计精度得到明显提升。2.考虑到基于规范阵列流型的跳频信号分选方法对天线布局和通道一致性要求较高的问题,本文随后在随机布局多天线系统的基础上提出一种跳频信号分选方法。该方法借助SBL算法解决单观测向量(Single Measurement Vector,SMV)信号重构问题,通过匹配运算估计跳频信号个数、载波频率和各信号相对于多天线系统的时延向量,围绕不同跳频网台时延向量之间较为显著的可分性,利用一种改进的K-means聚类算法完成跳频信号的网台分选。实验证明,新方法的参数估计精度和信号分选正确率均有明显的提升。3.针对多个频谱混叠调制信号的频谱感知问题,考虑到现有算法没有充分利用信号在空间域的可分性,无法有效地区分时频混叠信号和完整地评估频带占用情况,本文从角度维的稀疏特性出发建立信号模型,在多字典重构迭代过程中引入二元假设检验思想,推导一种自适应门限的构建策略,把传统的重构算法转化为一个针对离散角度集合的信号检测问题。能够在恒虚警概率下对空域可分的多信号实现扫描搜索,并且完成入射信号来波方向的精确估计。值得注意的是,基于自适应判决门限的重构方法适用于更一般的稀疏信号重构问题,能够有效地提高算法重构精度和降低运算复杂度。4.在探讨上述静止目标频谱感知问题的基础上,本文进一步对多个运动目标的识别问题展开研究,在卡尔曼滤波模型和稀疏信号重构理论框架下提出一种多目标DOA快速跟踪算法。结合空域稀疏特性构造信号模型,利用AR模型建立相邻时刻运动状态的数学模型,进一步推导慢变过程的卡尔曼滤波方程,引入一种运算复杂度较低的快速算法更新状态向量,并运用贝叶斯理论对系统模型参数进行估计,通过迭代运算提高状态向量和模型参数的估计精度,最终得到聚焦程度更高的空时分布图。实验证明,新算法有效地改善了运动轨迹交叉区域的跟踪性能,与现有跟踪算法相比具有更高的参数估计精度和更低的运算复杂度。