有时有一些名为“统计信号处理”的课程，这是一个很好的起点:-) 如果你的大学没有这个课程，请尝试寻找“检测和估计”或“高级信号处理”。如果你手边没有大学，你可以试试http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-432-stochastic-processes-detection-and-estimation-spring -2004/

许多统计信号处理是线性的，因此您应该尽可能多地学习线性代数。随机过程是一门基础课程。控制理论与 SSP 有很多共同之处，并且非常有用。

这应该足够开始了:-)

你好，

假设您有兴趣在该领域进行研究，我将建议您遵循建立在数学坚实基础上的道路。

我知道这一点，因为我刚刚完成了估计与检测课程的教学，我可以向您保证，工作的质量和新颖性与您的数学知识之间存在很强的相关性。

什么样的数学？

1. 线性代数：

   您需要了解向量空间和矩阵代数，因为；正如其他人之前发布的那样，有很多理论和算法可以研究这种类型的模型。一些经常使用的结果是逆矩阵引理，所有这些都与矩阵分解有关。

2. 概率论和随机过程

   这也是关键。统计信号处理是关于使用也可能是随机现象的错误观察（噪声）来检测和估计信息（推理）的方法。

   所以你需要知道如何处理这种对象。概率的基础课程可以为您提供一个很好的起点（涵盖随机变量和随机向量的课程，并希望能稍微讨论一下随机序列和过程），但最好参加第二门课程，重点是随机过程。您需要对这些想法有一定的信心，因为它可以让您了解研究和技术中使用的许多应用程序和实际实现。

在第二层，我还将考虑学习优化课程，因为估计量的计算主要基于解决最大化和最小化问题（最大似然估计量、最小均方误差估计量等）

当然，也有“算法”的观点，你更专注于统计信号处理程序的计算快、收敛快、复杂度低等，但最终开发os新思路需要良好的数学基础.

请注意，您对给定现象的内部工作原理的了解也是生成您计划在给定设置中使用的模型的关键。从这个意义上说，你可以从数字通信、数字信号处理甚至电子电路课程中获得的实践经验对于你作为研究人员的优势是非常宝贵的。

如果您有更多问题，请随时与我联系。

干杯，帕特里西奥

这些经典参考是一个好的开始：

1. B. Porat，随机信号的数字处理，Prentice-Hall，1994 年。图书馆序列号 2144342。

2. A. Papoulis，概率，随机变量和随机过程，第 3 版。, McGraw-Hill, 1991。图书馆序列号 21111643。

3. SM Kay，统计信号处理基础，第一卷：估计理论，Prentice-Hall，1993 年。图书馆序列号 2157997。

你也可以试试 KT Wong（滑铁卢大学）的讲义

您还可以在 YouTube上找到 M.Chakraborty 教授关于自适应信号处理的系列讲座中的一些内容

如前所述tdc，Papoulis（该领域的一位领导者的 RIP）是最好的书籍之一，但您可能需要首先通过http://www.amazon.com/Discrete-Time-Signal之类的方式进入它-Processing-2nd-Prentice-Hall/dp/0137549202，如果你没有一个好的信号处理本科/早期研究生课程（我没有，而且有点疼）。

从更统计的角度来看（但对工程师仍然非常有效）是http://www.amazon.com/Random-Data-Measurement-Procedures-Probability/dp/0470248777/ref=sr_1_1?s=books&ie=UTF8&qid=1323737134&sr= 1-1。这包含大量信息，因此阅读速度非常慢。