盲信号处理包括半盲信号处理和全盲信号处理,使用盲信号处理技术能够在无需或仅需少量信道状态信息(CSI)的情况下实现信号检测和参数估计,节省了宝贵的带宽资源。多维矩阵模型是一种可用于盲信号处理的矩阵模型,与二维矩阵相比,多维矩阵具有低秩分解特性。利用多维矩阵的低秩分解特性可实现对构成参量的唯一性分解,使用合适的求解方法对模型进行拟合,能够求得全局最优解。基于多维矩阵的信号处理技术已成为信号处理领域的一个研究热点。本论文在国家自然科学基金(60872149)、华为创新研究项目的支持下,研究了移动通信中多输入多输出(MIMO)、正交频分多址(OFDMA)系统基于多维矩阵的信号检测及参数估计技术,将多维矩阵低秩分解的思想与通信环境、通信信号的结构特征等结合,设计了新的求解算法,从理论上分析了此类算法的性能,并与其它方法进行了比较。论文主要工作及创新成果如下：(1)多跳Alamouti放大转发(AAF-MH)协作系统中,接收端信号仅包含信源、信道信息,为构造包含三个加载矩阵的平行因子(PARAFAC)模型,本论文在保证接收端信号不变的情况下引入第三个矩阵：线性阵,并由此提出了一种适用于AAF-MH系统的PARAFAC盲信号检测方法,还将这一方法推广到具有类似结构的双用户Alamouti协作系统中。针对不同恒模迭代算法的特点,在PARAFAC模型拟合过程中将初始化工作分两步进行。与恒模算法(CMA)相比,本方法在保证全局收敛的情况下能实现参数的唯一性分解,并在检测性能方面更具优势。(2)多用户多中继上行协作系统中,当每个用户使用相同的资源块,即每个用户都与全部中继进行通信时,系统中存在共信道干扰。本论文针对存在共信道干扰的多用户协作系统提出了一种基于PARAFAC模型的半盲信号检测方法。该方法将接收端包含信源信息、源节点到中继节点(MS-RS)信道、中继节点到基站端(RS-BS)信道及中继放大矩阵四个参量的信息整理为PARAFAC模型,使用少量正交训练序列将PARAFAC模型化简为仅包含两跳(MS-RS、RS-BS)信道和放大矩阵的三线性模型,实现了对每一跳信道信息的估计。与两步训练(TST)半盲检测方法相比,所提方法在相同参数下具有更低的BER性能。已有研究表明,在使用阵列天线的放大转发(AF)中继协作系统中,接收端信号可以写为由信源信号矩阵、阵列响应矩阵和等效信道矩阵构成的PARAFAC模型,利用PARAFAC模型的分解唯一性可以实现对信源信号矩阵的估计。然而,该方法尚未考虑有色噪声的消极影响。针对这一问题,提出了一种改进型的PARAFAC盲信号检测方法,通过构造线性加权矩阵的方式改善了估计结果。该方法在计算复杂度增加较少的情况下,获得的检测性能优于仅使用PARAFAC方法估计得到的结果,可适用于存在有色噪声的通信系统,具有较好的可扩展性。(3)在多用户MIMO上行系统中,使用预编码技术能够降低或消除用户间干扰,提升了系统的性能。在使用预编码技术的多用户MIMO上行系统中,利用多维矩阵的PARAFAC模型提出了一种盲信号检测方法,该方法对包含等效信道矩阵和信源信号矩阵的接收信号做自相关运算,得到由等效信道矩阵、等效信道矩阵的共轭及信号自相关矩阵构成的PARAFAC模型,通过三线性交替最小二乘(TALS)或联合对角化算法获得等效信道矩阵,最后,利用求得的等效信道矩阵获得发送端信号矩阵。分析了不同算法的可行性条件及计算复杂度。理论分析及仿真结果表明,采用本方法求得的信号及信道矩阵,具有较低的BER及NMSE性能,并且在子数据块数目较小时依然有效。(4)在OFDMA上行系统中,所有子载波可用一个离散傅里叶反变换(IDFT)矩阵表示,其中,可用子载波分配给若干个用户使用,不同的用户对应不同的子载波选择矩阵,特定用户的子载波可通过IDFT矩阵与子载波选择矩阵的乘积来表示。根据这一特点,本论文在OFDMA上行系统中提出了一种基于平行线性相关剖面(]PARALIND)模型的盲信号检测方法,该方法将接收信号分解为包含信道、信号、傅里叶反变换矩阵及子载波选择矩阵的PARALIND模型,通过迭代求得了信号信息,由数学推导证明了该模型的分解唯一性。本方法在无需导频信息的情况下检测性能非常接近半盲检测方法,具有一定优势。