大气雷达接收的信号来自电磁波经大气折射指数不规则体的后向散射，可同时接收晴空湍流与降水信号。双高斯模型能够实现这两类散射体信号的识别与分离，但信号数量自动判别不准确、拟合过程中出现负回波功率等问题，严重制约了雷达数据批量处理的质量与效率。针对上述瓶颈，本文基于机器学习与概率分布函数拟合相结合的思路，提出一种Gaussian mixture model-Gaussian fitting（GGF）方法，该方法可自适应处理单信号与双信号多普勒功率谱，在MST雷达和L波段雷达有较好的应用。基于随机生成的单-双混合模拟信号，本文进一步验证了GGF方法的适用性及谱估算准确性。结果表明，GGF方法可以有效区分单信号和双信号，并准确估算各信号的谱矩参数。其中单、双信号的信号数量识别准确率分别为96.29%和92.37%。估算得到的峰值功率、平均多普勒速度和谱宽，均与原始信号具有很好的线性关系，斜率和R² 均在0.95和0.94以上。单信号的平均多普勒速度和谱宽的均方根误差（RMSE）分别是0.84m/s和0.18m/s，双信号则分别是0.36m/s和0.46 m/s左右。值得注意的是，双信号的谱矩估算可能会出现较大偏差，各参量偏差超过2倍RMSE均约占有效样本的5.50%。功率谱分析结果表明，GGF方法估算结果出现偏差较大或异常的主要原因包括：一是存在谱宽处于本研究极小值0.3m/s的窄谱宽的强信号，二是双信号是容易受到噪声干扰的宽谱宽弱信号。此类信号是否对应实际观测中的大气信号，仍有待进一步深入研究。