现实世界中信号多具有非平稳特性,时频分析技术作为非平稳信号的重要分析手段,有助于信号瞬时频率估计、分离、检测等,对雷达、通信、医学等众多领域意义重大。然而,时频分析性能常受到交叉项、低分辨率、噪声以及调参等因素影响,导致当信号中存在邻近或交叠分量时,时频域可解释性极差。核函数设计、稀疏时频重构等传统算法无法在抑制交叉项的同时,实现高分辨率时频分布,成为制约信号时频分析技术发展的瓶颈。在大数据时代背景下,深度学习凭借强大的数据拟合能力为传统信号处理领域指明了一条新的途径。因此,本文提出通过数据驱动与模型引导的方式突破以上瓶颈问题,实现无交叉项高分辨率时频分布。具体研究内容和贡献如下:1.针对核函数设计算法存在繁琐人为调参、受制于减少交叉项和提高分辨率之间的折衷等问题,提出了一种数据驱动的可学习高分辨率时频分布。首先利用短接二维卷积层模拟传统核函数,实现对魏格纳-威利分布的初步平滑,一定程度上去除交叉项并提取时频域特征;接下来考虑信号自项和交叉项截然不同的方向特点,通过加权模块探究特征不同空间位置以及通道之间的相关性,生成对应加权系数对其进行微调,提高时频分辨率。与现有核函数设计、时频重排方法相比,在低信噪比条件下,所提时频分布在合成及真实信号上突破了交叉项和分辨率之间的制约。另外,基于所提高分辨率时频分布的瞬时频率估计值更贴近真实瞬时频率。2.针对稀疏时频重构算法难以处理多分量（存在邻近及交叠）信号、交叉项抑制能力差的问题,提出了一种基于模型引导的结构稀疏时频重构算法。首先在时频域构建稀疏恢复模型,选择迭代软阈值算法作为模型优化算法;接下来将传统迭代恢复算法改良为端到端的前向迭代网络,通过可学习参数加快算法收敛速度、提高恢复精度;最后考虑时频域信号自项的连续性和交叉项的振荡特性,引入稀疏恢复模型中的结构稀疏性约束,设计结构感知阈值模块自适应控制阈值大小,利用结构先验进一步提高重构精度。与现有稀疏时频重构、核函数设计和时频重排算法相比,所提算法能较好重构包含邻近及交叠分量的合成信号,准确估计其瞬时频率,加强了交叉项抑制能力。同时,在真实蝙蝠回声信号上实现了高分辨率时频分布,具有一定的泛化能力。