非合作水声通信信号的截获与辨识是水声通信信号处理领域的研究热点之一。论文针对无先验信息条件下,即非合作条件下的信号截获、特征与参数提取以及通信信号模式判决等技术进行了研究。本文的主要研究内容和贡献如下:（1）针对常规能量检测方法没有充分利用水声通信信号特点使得信号处理增益较低的问题,本文利用水声通信信号的循环平稳特性以及循环平稳分析良好的抗噪声性能,引入了基于循环平稳的信号检测方法。同时在传统循环谱基础上提出了一种单循环频率检测统计量优化构造方法,提高了非合作条件下的截获检测性能。分析表明,相较于常规的能量检测方法,该方法易于设定检测阈值,且抗噪声能力以及鲁棒性较强。（2）针对多类型非合作水声通信信号特征的差异性和混叠性,本文首先提出了基于多特征分层处理的信号识别方法。该方法利用信号的自相关特性与线谱特征以及分层分类器架构逐层分辨信号,直到完成全部信号类别识别。分析表明该方法可对二进制相移键控信号、正交相移键控信号、二进制频移键控信号、四进制频移键控信号、最小频移键控信号、直接序列扩频信号以及正交频分复用信号这些常用水声通信信号进行有效识别。为了进一步提高特征的可分辨性,本文提出了基于时频域特征与循环谱熵特征的支持向量机分类方法,进一步提升了在低信噪比环境中对于相移键控信号以及频移键控信号的识别性能。（3）研究并提出了多种非合作水声通信信号参数估计方法,实现了符号周期、子载波个数、伪码周期、伪码序列等信号参数的有效估计。本文首先利用水声通信信号的循环谱特征,提出了基于载频预估与循环谱截面特征的水声通信信号符号周期估计方法,实现了低信噪比下信号符号周期的稳健估计。接着,根据正交频分复用信号本身的产生机理,提出了基于去前缀符号长度与符号周期预估的正交频分复用信号子载波个数估计方法,解决了正交频分复用号子载波个数难以估计的问题。针对传统二次谱容易产生虚假谱峰的问题,提出了基于二次谱校正的直接序列扩频信号伪码周期估计方法,消除了虚假二次谱峰对伪码周期估计的影响。针对传统的固定步长LEAP（On-lineunsupervised LEArning neural network for adaptive feature extraction viaPrincipal component analysis,LEAP）神经网络估计直接序列扩频信号伪码序列时收敛速度慢的问题,提出了一种变步长方法,提高了LEAP神经网络的收敛速度。分析表明,本文提出以及改进的通信信号参数估计方法性能良好。（4）设计构建了非合作水声通信信号的截获与辨识系统,给出了系统的总体架构设计与处理流程,并利用实际实验数据详细分析了系统的性能。