混沌是一种貌似随机的无规则运动,是指不外加随机因素的确定性系统中所产生的内秉随机行为。混沌理论在保密通信、图像加密、微弱信号检测和生物医学等领域有着广泛的应用前景。通常实际观测到的混沌信号都不同程度受到噪声的污染,噪声的出现不仅使得Lyapunov指数、关联维和Kolmogorov熵等不变系统参数的计算变得十分困难甚至不可能,而且使混沌吸引子本身的内在性质被破坏,这使得混沌理论在相关领域的应用变得十分困难。因此开展混沌信号噪声抑制的研究具有重要的意义。本文以混沌信号的噪声抑制技术为研究内容,研究目的是针对目前混沌信号噪声抑制方法中存在的问题提出相应的解决方案。主要内容包括以下三个部分:(1)针对非线性自适应混沌信号噪声抑制算法中存在的参数优化问题,提出了一种参数优化的混沌信号自适应噪声抑制算法,该算法利用混沌信号和噪声相关性的区别提出一个新的判决参数残差自相关度,首先采用不同窗长对含噪混沌信号进行噪声抑制,然后计算每个窗长对应的残差自相关度,最后通过对最小残差自相关度所对应的窗长进行一定比例收缩实现窗长的最优化。仿真结果表明原有算法随着影响滤波参数的条件的改变参数优化性能明显降低,而新算法给出了滤波参数最优化的量化标准在不同条件下能实现滤波参数的自动最优化。新算法具有更好的自适应性,更符合实际应用要求。(2)系统研究了基于经验模态分解理论的混沌信号噪声抑制算法。针对部分重构算法中存在的信噪比提升能力有限的问题,提出了一种改进的部分重构算法,该算法利用完整总体平均经验模态分解方法对含噪混沌信号进行分解,利用残差自相关度判定临界内禀模态函数,仿真结果表明新算法的噪声抑制性能高于原算法。针对区间阈值算法中存在的自适应性降低的问题,提出了一种改进的区间阈值算法,该算法利用完整总体平均经验模态分解方法对含噪混沌信号进行分解,利用区间阈值准则对内禀模态函数进行平滑,仿真结果表明新算法的噪声抑制性能和原算法接近,但新算法不需要进行预处理具有更好的自适应性。针对以模态单元为基本处理单元的混沌信号噪声抑制算法中阈值选取困难的问题,提出了一种基于完整总体平均经验模态分解的过零尺度阈值混沌信号自适应噪声抑制算法,该算法首先利用完整总体平均经验模态分解方法将含噪混沌信号进行分解得到各阶内禀模态函数,然后使用过零尺度阈值方法以不同的阈值进行噪声抑制,依据不同阈值平滑后的信号残差,利用德宾-沃森准则求出最佳阈值,使用最佳阈值进行噪声抑制得到最终平滑信号。该算法有效解决了区间阈值算法中阈值难以确定的问题。仿真实验验证了该算法的有效性。(3)针对混沌映射的噪声抑制问题,提出了一种基于非局部均值方法的混沌映射噪声抑制算法。该算法参数设置简单,具有良好的信噪比提升性能,且不要求已知系统先验知识。仿真结果表明该算法的噪声抑制性能优于现有的相空间估计投影方法、扩展卡尔曼滤波方法和无先导卡尔曼滤波方法,对不同噪声水平的混沌映射能进行有效的噪声抑制。