跳频通信具有抗衰落及抗干扰能力强、截获概率低、保密性高和组网能力强等优点,广泛应用在军事和民用领域中,然而跳频通信的这些优点也给非合作接收带来了截获和破译的难题。本文针对跳频信号的非合作接收问题,研究了跳频信号检测、参数估计和跳频电台分选方法,具体的研究工作及成果如下:1、提出了一种基于干扰剔除的跳频信号检测方法。针对复杂电磁环境的跳频信号检测,首先将干扰信号进行剔除,接着根据跳频信号与其它调制信号在时频特性上的差异,采用时频特性曲线法进一步识别出跳频信号。仿真结果表明,在信噪比为2d B时,所提方法的识别率即可达到100%,优于基于时频分析的检测算法2d B。2、提出了一种基于抽取因子的时频脊线拼接的参数估计方法。针对慢速跳频信号,采用不重叠分段法,对每一分段作基于抽取因子的谱图变换,并将每段求得的时频脊线拼接起来再进行参数估计,从而降低了算法的运算量。最后分析了抽取因子对参数估计的影响。仿真及实测数据表明,在同样的抽取因子下,与最大值拼接法相比,时频脊线拼接法具有更强的抗噪声能力,提高了参数估计性能,并降低了算法的复杂度。此外,针对跳频点丢失的情况,通过对错乱的跳频点进行纠正,得到了真正的频率集。仿真结果表明,该方法在只存在跳丢失时,SNR>-5d B时都能正确估计出频率集。3、提出了一种基于分数阶小波变换（Fractional Wavelet Transform,FRWT）的跳频参数估计方法。首先对时域信号采用FRWT分解法去噪,再利用希尔伯特-黄变换（Hilbert-Huang transform,HHT）对去噪后的跳频信号作Hilbert谱分析,从而提取参数特征。该方法解决了传统时频变换法在跳频序列的相邻频率间隔较小时的时频分辨率不高的问题。仿真结果表明,在相对误差值为10-2时,采用FRWT方法的信噪比要比采用离散小波变换（Discrete Wavelet Transform,DWT）方法的信噪比低3d B左右。4、提出了一种基于轮廓特征的跳频电台识别方法。首先提取信号在等高线图上的轮廓特征,接着构造基于轮廓特征的等高线图并对其进行预处理,最后把等高线图输入到卷积神经网络（CNN）中进行训练、测试,进而实现分类识别。该方法解决了现有的跳频电台分选方法存在人工提取参数特征具有复杂性的问题,仿真结果表明,在分选率为100%时,其在经裁剪处理下的信噪比为-15d B,比支持向量机（SVM）和传统K-Means聚类算法都低10d B。实测数据的算法验证表明,该方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。