随着5G移动通信的大规模普及与WIFI技术的演进,多输入多输出（Multiple Input Multiple Output,MIMO）技术在实用化的通信系统中得到越来越广泛的应用,与此同时,在电子对抗等领域中针对MIMO通信系统的盲接入问题也逐渐受到广大学者的关注与研究;空时分组码作为MIMO通信系统的编码方案,要实现MIMO通信系统的盲接入就要有效的识别出系统所采用的编码方案;因此针对MIMO通信系统中空时分组码的盲识别具有重要的研究价值。本文围绕MIMO通信系统中空时分组码的盲识别展开研究。从要求接收天线数量大于等于发送天线的限制条件下实现较大规模空时码集的识别,到取消对接收天线数量的限制,实现常规算法难以区分的同型空时分组码的识别,再到摆脱单一识别空时编码或调制方式,实现调制方式与空时编码的联合识别,研究过程逐步深入。具体来说,本文主要完成了以下工作:1提出了一种基于BP神经网络的空时分组码识别算法。空时分组码盲识别研究的基本目的是尽可能的扩大可识别的空时码集规模,在规模相同的情况下尽可能的提高识别率。当前针对空时分组码盲识别的研究文献中,基于深度神经网络的方法将码集规模扩大到6个,达到了当前可识别码集规模的最大值,但由于深度神经网络依靠卷积层进行自提特征,而目前将接收信号或保持不变、或经预处理后输入神经网络的做法使得卷积层在恶劣信道下提取特征的能力受限,进而导致基于深度学习的算法在恶劣信道下的识别率不够理想,且为了应对各种复杂情况,网络层数不断加深,每层节点不断增多,伴随而来的是计算量的陡然增加。为了解决该问题,本文采用“人工提取特征+BP神经网络”的识别方案,基于接收信号的空时相关矩阵构造出对不同空时编码具有区分性且抗恶劣信道的六维特征,并使用结构简单、计算量小的BP神经网络对特征进行分类,仿真结果表明该方案在保持可识别码集规模为6的同时在恶劣信道下依然具有较好的识别表现,且相比于深度神经网络,BP神经网络所需的计算量更少。2提出了一种基于概率匹配与弥散度匹配的同型空时分组码的识别算法。由于接收信号的相关长度与空时码矩阵的列数存在的对应关系、信源数与空时码矩阵的行数存在对应关系,因此针对空时分组码的盲识别通常是通过对空时码矩阵参数的估计以达到识别目的,其中大部分是通过对接收信号相关长度的探测以区分码长不同的空时编码;而基于空时码参数估计的方法无法对参数相同的空时编码进行区分,该缺陷限制了可识别空时码集规模的进一步扩大。为了解决该问题,本文研究了同型的不同空时编码在接收信号概率分布上的区分性,并通过概率匹配与弥散度匹配对该区分性进行量化,实现了两组同型空时编码的识别。3提出了一种基于矢量图的空时编码与调制方式的联合识别算法。针对空时编码与调制方式的联合识别问题,目前仅有基于最大似然的识别算法,但该算法在识别前需要已知接收信号中噪声的功率、信道的衰减系数,同时需要准确的判断出空时码块的起点,因此基于最大似然的联合识别算法在实用中具有较大的局限性。为了给出一种更加实用化的联合识别方案,本文分析了接收信号的矢量图与信源所采用的调制方式及空时编码间的对应关系,论证了基于矢量图进行联合识别的可行性,最后使用修改后的Le NET网络对矢量图进行识别,并以4种调制方式与6种空时编码的24种组合为例,仿真验证了算法的有效性。