1、传统高分辨阵列参数估计方法研究

最早的波达方向估计方法是基于傅里叶变化的线性谱估计方法，主要包括BT法和周期图法。然而这类算法由于瑞利极限的存在，使得算法的性能很差，抗噪能力差。

信号处理技术发展初期，一般都是在时域方面的研究，后经过研究发现空间信号的方向估计和时间信号的频率估计相似，因此，学者们渐渐将时域的研究方法应用于空域谱估计中。其中，1967年Burg提出了最大熵估计方法[3],开始了现代谱估计的研究，这些方法分辨率高，但运算量大。1969年Capon提出的最小方差谱估计法[4]，提高了DOA估计的性能，然而分辨率还是较差。八十年代以后，学者们通过对矩阵特征值分解，得到一个新的谱估计方式。其中，在1986年，Schimidt提出了多重信号分类法(MUSIC算法) [5]，使得DOA估计技术得到质的飞跃。该算法通过将阵列接收数据进行特征分解，从而得到信号子空间和噪声子空间，又根据这两个子空间的正交性，构造代价函数进行峰谱搜索，以此提高估计的分辨率。基于此原理，人们提出了很多基于子空间分解类算法，其中最重要的也是最经典的，便是MUSCI算法和基于旋转子空间不变算法(ESPRIT)[6]。相比于MUSIC算法，ESPRIT算法及其改进算法，包括LS-ESPRIT，TLS-ESPRIT[7]等，也都具有较高的分辨率，更重要的是这类算法并不需要进行谱峰搜索，从而大大提高了DOA估计的速度。然而改算法受阵列结构的限制，因此仍存在局限性。

80年代后期，高分辨参数频谱估计技术得到第三次重大突破。学者们提出了子空间拟合类算法[8]，该算法与传统的算法相比，当快拍数较小，信噪比较低时，仿真性能较好；与ESPRIT相比，估计性能优秀，但是运算量较大。这类算法包括了最大似然算法(ML)、多维MUSIC算法和加权子空间拟合算法(WSF) [9]。

1991年，J. Munier提出了传播算子算法(PM)以及殷勤业提出了波达方向矩阵(DOAM)[10]算法。该算法通过构造一个阵列接收数据的协方差矩阵来进行波达方向估计，从而大大降低了运算量。

2、非理想条件DOA估计方法研究

国外方面，1996年，Nikias和Taskalides基于SαS过程的协变，构造阵列信号的协变矩阵，提出了ROC-MUSIC算法，该算法大大降低了计算量[11]。但算法计算代价高昂，限制了其使用。2001年，Mendel和T.h.Liu在此基础上，通过定义阵列信号的分数低阶矩，来构造阵列接收的FLOM矩阵，提出了FLOM-MUSIC算法。该算法提供了一种冲击噪声下DOA估计的基本框架，并由仿真得出FLOM-MUSIC算法和ROC-MUSIC算法具有相同的性能[12]。在国内，也有很多学者进行该方面的研究。吕泽均等人采用类似的方法，基于分数低阶统计量，提出了TLS-ESPRIT算法[13]。2006年，何劲和刘中通过充分利用阵列接收的时域和空域信息，构造了广义分数低阶空时矩阵，利用奇异值特征分解获得噪声子空间，提出了FSTM-MUSIC算法[14]。紧接着，同年，他们又基于Screened Ratio原理构造阵列接收矩阵，提出了SR-MUSIC算法，并通过仿真验证相比于FLOM-MUSIC，SR-MUSIC有更高的稳定性和精度[15]。直到今天，随着阵列信号处理技术的日益推广，波达方向估计的基本理论和基本算法也变得相当成熟，寻求在非理想条件下更稳健更有效的估计方法显得尤为关键。