近来，数字通信系统得到广泛的商业应用，相应的数字信号处理技术也在通信系统中被广泛采用，因为先进的数字信号处理技术可以较好地提高通信系统的性能和容量。在通信信号处理研究的最新进展中，盲均衡与盲辨识技术是倍受瞩目的关键技术之一。“盲均衡”和“盲辨识”分别是指在不需要训练序列的条件下，对未知发送信号的估计和对未知信道的估计。 对于大多数采用均衡器的数字通信系统，信道特征往往是未知且时变的，因此，为了设计相应的自适应均衡器，通常需要在发送端将已知的训练序列包含在数据帧中一起发送到接收端。其目的在于，对均衡器系数进行初始调整，以保证其在大范围内快速收敛。然而，这种基于训练序列的均衡器会带来一些问题。 首先，在发送数据中包含训练序列会增加传输开销，从而降低通信系统效率。更严重的是，即使已经收敛并转入到工作模式的均衡器，在经过一定时间以后，也很有可能由于信道的时变特性而使检测器产生突发错误。因此，目前几乎所有的通信系统都采用周期性地发送训练序列的方法来不断重新训练自适应算法，这样更加严重地降低了通信系统的容量。其次，在某些应用中，甚至根本就不可能期望在发送端提供训练信号，比如，在军事侦听，地震解卷积和图像重建，以及多点通信网络中。 基于上述原因，我们很有必要研究不需要输入端发送已知的训练序列，而只根据系统的输出观察值来完成自适应均衡的技术，人们把这种技术称为“盲均衡”技术。同样地，将不需要训练序列的方法称为“盲”方法。 传统的MLSE均衡器、ZF均衡器和MMSE均衡器均隐含着一个假设条件，那就是，信道特征—脉冲响应或者频率响应在接收端是预先已知的。 因此，同盲均衡的工作机理类似，我们把在发送端没有训练序列的情况下，在接收端根据观察到的数据，对未知的时变信道自适应地进行盲估计的方法称为信道的“盲辨识”技术。 传统的盲信道辨识和均衡都是基于高阶统计算法，从而存在许多弊端。直到九十年代中期，基于二阶统计的线性信道辨识算法才被提出，这是一个很大的突破。它从提出到现在，经过不断发展和改进，目前大概可以分为五种基本算法。有最早的线性预测算法（LPA），由于此算法主要取决于信道冲激响应的第一个系数，所以如果该系数值太小，将会导致其性能大大降低。在此基础上又提出了新的改进算法，外积分解算法（OPDA人 多步线性预测算法（MSLP），约束最小输出能量算法（CMOE），以及最小二乘平滑算法（LSS）。 这几种算法都是基于输出信号的二阶统计估计信道响应的外积，然后利用特征值分解或是奇异值分解，由外积矩阵得到信道响应的估计值，它们的思路是一致的，但是具体的实现方法却不一样，而本篇论文就是要通过对它们的分析和仿真，比较这几个算法的性能。 第一章介绍该技术的研究背景及发展状况。 第二章详细介绍这些算法，以及它们之间的关系，并比较它们的计算复杂度，从而找到相对步骤最为简单的算法。 第三章用matlab对其中的三种算法：LPA，OPDA，CMOE进行仿真，通过在不同条件下，各算法的仿真结果的比较，可以清楚各算法的优缺点，并找出相应条件下的最佳算法。