摘要：本文简要介绍了阵列信号处理的基本知识和其数学模型，并且对阵列信号处理中很重要的来波方向（DOA）估计方法进行了比较，主要包括古典谱估计方法、Capon最小方差法、多重信号分类（MUSIC）算法以及旋转不变因子空间（ESPRIT）算法。通过这些算法的介绍和比较，我们可以很方便地在不同的情况下选择不同的算法去对信号的来波方向进行估计。关键词：阵列信号处理；来波方向（DOA）；MUSIC；自相关矩阵；特征分解；ESPRITDOAEstimationAlgorithmsinArraySignalProcessingAbstract：Inthispaper,wehaveintroducedthebasicknowledgeanddatamodelofarraysignalprocessingandhavecomparedmanyDOAestimationmethodsinarraysignalprocessing，whichincludedclassicalspectrumestimationmethod、Caponminimumvariancemethod、MUSICmethodandESPRITmethod。Throughtheintroductionandcomparisonofthesealgorithms，wecanchoosedifferentalgorithmtoestimatetheDOAofsignalindifferentsituation，conveniently。Keywords：arraysignalprocessing；DOA；MUSIC；self-correctionmatrix；eigendecomposition；ESPRIT1.引言近几十年来，阵列信号处理作为信号处理的一个重要分支，在声纳、雷达、通信以及医学诊断等领域得到了相当广泛的应用和发展。阵列信号处理是指在一定大小空间的不同位置去设置传感器，组成传感器阵列，利用传感器阵列去接收空间中的信号并且通过一定的方法对接收的信号进行处理。阵列信号处理的目的是为了增强有用的信号，抑制无用的干扰和噪声，并且从接收的信号中提取出有用信号的特征以及信号所包含的信息。与传统的单个定向传感相比，传感器阵列具有比较高的信号增益、灵活的波束控制、很高的空间分辨率以及极强的干扰抑制能力。阵列信号处理研究的主要问题包括[5]：空间谱估计——对空间信号波达方向进行超分辨估计；零点形成技术——使天线的零点对准干扰方向；波束形成技术——使阵列方向图的主瓣指向所需的方向。其研究的三个主要方向分别在不同的时期进行了不同的主要研究，这三个阶段分别是：d1、20世纪60年代主要集中在波束形成技术方面[1]，如自适应相控天线、自适应波束操控天线和自适应聚束天线等，主要目的是使阵列方向图的主瓣指向所需要的方向。2、20世纪70年代主要集中在零点形成技术方面[2]，如自适应置零技术、自适应调零技术、自适应杂波抑制和自适应旁瓣相消等，可以提高信号输出的信噪比（SNR）。3、20世纪80年代主要集中在空间谱估计方面[3]，如最大似然谱估计、最大熵谱估计、子空间谱估计等，它是现代谱估计理论与自适应阵列技术结合的产物，主要是研究在阵列处理带宽内空间信号的波达方向的估计问题，这标志着阵列信号处理研究的重大变化。信号的波达方向（DOA）估计是阵列信号处理领域的一个非常重要的研究内容。信号的DOA估计算法大多是一种极值搜索法，即首先形成一个包含待估计参数的函数（一般是一个伪谱函数），然后通过对该函数进行峰值搜索，得到的极值就是信号的波达方向。这些算法主要包括：1965年Bartlett基于波束形成的思想提出的DOA估计算法，但是该算法不能分辨出两个空间距离小于波束宽度的信号源。1968年Schweppe首先研究了虽大似然估计算法（ML），但是比较重要的还是后来Capon提出的高进度的ML，该算法对于服从高斯分布的信源估计可以达到克劳—拉美界，但是需要对接收阵列数据的自相关矩阵进行求了逆运算，运算量相当大。1979年Schmidt提出了多重信号分类法[4]（MultipleSignalClassification，MUSIC）以及各种改进的MUSIC算法等，它们都需要进行特征值分解运算，可以得到比较高精度的参数估计，但是计算量太大。1985年Roy和Kailath提出了一种借助旋转不变技术的参数估计算法[6]（EstimatingSignalViaRotationalInvarianceTechniques，ESPRIT），它是利用阵列流行的某些特性形成一个可以直接求解的函数，能够比较方便的得到所需要的估计参数。在此之后，人们以MUSIC和ESPRIT为基础，提出了各种各样的算法，例如