分别利用高斯拟合估计算法(Gaussian fitting estimation algorithm, 以下简称Gauss估计算法)和最大似然(Maximum Likelihood, ML) 离散谱峰值(Discrete Spectral Peak, DSP)估计算法(ML DSP)处理实测回波信号, 计算得到风速扰动的功率谱密度(Power Spectral Density, PSD)。根据Kolmogorov湍流理论中PSD与频率的-5/3关系, 比较不同距离门下的PSD, 采用高频区域的风速误差作为风速估计性能参数, 分析比较不同距离情况下风速误差, 并利用自相关系数分析风速时间变化的相关性。结果表明: 在距离较低的探测区域Gauss估计算法的风速误差微弱小于对应的ML DSP估计算法, 二者之间的风速误差差值最多不超过0.05 m/s。而在距离较高的区域, 两种算法的风速误差差值从820 m处的0.06 m/s增加至1 200 m的0.16 m/s。在风速的时间相关性分析上, Gauss估计算法的风速时间自相关系数明显大于对应的ML DSP估计算法, 说明Gauss估计算法处理的风速数据更具有稳定性。

研究宽带信噪比和有效功率谱宽度对最大似然(ML)法多普勒频率估计结果的影响，采用探测概率和正确估计频率标准差来描述ML 算法对仿真信号和实验数据的处理性能，并与周期图最大值(PM)法所得结果进行比较。经理论仿真和对中国科学院上海光学精密机械研究所1.5 μm 全光纤相干测风激光雷达实测数据的反演处理，结果表明,高谱宽度下，ML算法的正确估计频率标准差与相比PM 可降低0.5 MHz，达到90%的探测概率所需宽带信噪比ML 算法与PM 算法相比低2 dB。表明ML 算法的正确估计频率标准差能与PM 算法相比不高于1.1 MHz，探测概率高9%。要获得风速精度小于1 m/s同时探测概率在80%以上，所需宽带信噪比大于-14 dB。