本书分三篇系统而深入地介绍了现代信号分析和处理的基础和广泛应用的算法。第一篇（第1～4章）介绍现代数字信号处理的统计方法基础，包括随机信号模型、估计理论概要、最优滤波器、最小二乘滤波和卡尔曼滤波，这些内容构成了信号处理统计方法的核心基础知识；第二篇（第5～8章）详细讨论了广泛应用的典型信号处理统计方法，包括自适应滤波算法、功率谱估计算法、高阶统计量和循环统计量、信号的盲处理算法等；第三篇（第9～11章）包括一般时频分析、小波变换原理和算法、信号的稀疏表示和压缩感知。
本书重视基础，但也包括了近年受到广泛关注的一些前沿专题，如无迹卡尔曼滤波和粒子滤波、独立分量分析、稀疏表示与压缩感知等。本书既注重了内容的先进性和系统性，也注重了内容的可读性，并通过大量实例帮助读者理解较为烦琐的算法。
本书适用于电子信息领域研究生课程，也可供各类利用信号或数据分析作为工具的大学高年级学生，研究生、教师和科技人员参考。

张旭东，清华大学电子工程系长聘教授，博士生导师，主要研究方向为信号处理和机器学习。先后承担国家级、省部级和国际合作项目数十项，在IEEE、IET、ACM等重要刊物和NIPS、AAAI、ICASSP、SIGIR等重要会议上发表学术论文150余篇，出版著作5部。获得Elsevier的最高引用奖（The Most Cited Paper Award）和IET国际雷达年会最优论文奖，两次获得清华大学教学成果一等奖，3次获得清华大学优秀教材奖。

第0章 绪论
0.1 本书的主要内容
O.2 对信号处理的一些基本问题的讨论
0.3 一个简短的历史概述
第一篇 信号的统计处理片法恭钏
第1章 随机信号基础及模型
1.1 随机信号基础
1.1.1 随机过程的概率密度函数表示
1.1.2 随机过程的基本特征
1.2 随机信号向量的矩阵特征
1.2.1 自相关矩阵
1.2.2 互相关矩阵
1.2.3 向量信号相关阵
1.3 常见信号实例
1.3.1 独立同分布和白噪声
1.3.2 复正弦加噪声
1.3.3 实高斯过程
1.3.4 混合高斯过程
1.3.5 高斯-马尔可夫过程
1.4 随机信号的展开
1.4.1 随机信号的正交展开
1.4.2 基向量集的正交化
1.4.3 KL变换
1.5 随机信号的功率谱密度
1.5.1 功率谱密度的定义和性质
1.5.2 随机信号通过线性系统
1.5.3 连续随机信号与离散随机信号的关系
1.6 随机信号的有理分式模型
1.6.1 谱分解定理
1.6.2 随机信号的ARMA模型
1.6.3 随机信号表示的进一步讨论
1.6.4 自相关与模型参数的关系
1.7 本章小结与进一步阅读
习题
第2章 估计理论基础
2.1 基本经典估计问题
2.1.1 经典估计基本概念和性能参数
2.1.2 几个常用估计量
2.2 克拉美-罗下界
2.3 最大似然估计
2.4 贝叶斯估计
2.4.1 最小均方误差贝叶斯估计
2.4.2 贝叶斯估计的其他形式
2.5 线性贝叶斯估计
2.6 最小二乘估计
2.6.1 加权最小二乘估计
2.6.2 正则化最小二乘估计
2.6.3 复数据的LS估计
2.7 本章小结与进一步阅读
习题
第3章 最优滤波器
3.1 维纳滤波
3.1.1 实际问题中的维纳滤波
3.1.2 从估计理论观点导出维纳滤波
3.1.3 维纳滤波器-正交原理
3.1.4 FIR维纳滤波器
3.1.5 IIR维纳滤波器
3.1.6 应用实例——通信系统的最佳线性均衡器
3.2 最优线性预测必
3.2.1 前向线性预测
3.2.2 后向线性预测
3.2.3 Levinson-Durbin算法
3.2.4 格型预测误差滤波器
3.2.5 预测误差滤波器的性质
3.3 最小二乘滤波
3.3.1 LS滤波的边界问题
……
第二篇 信号统计处理方法
第三篇 视频分析和稀疏表示
参考文献
附录A 矩阵论基础
附录B 拉格朗日（Lagrange）乘数法求解约束最优缩写词
索引