空间谱估计常称为波达方位(DOA)估计,是阵列信号处理中一个非常重要的研究方向,已经在通信、军事、生物医学等众多领域中得到了广泛应用。随机最大似然算法(SML)是一种重要的空间谱估计算法,理论上,SML算法有着最优的DOA估计性能,但是SML算法解析过程复杂度比较大,并且涉及到多维非线性最优化问题,因此阻碍了其在实际系统中的应用。为降低SML的计算复杂度,本文先后提出了两种基于SML的低复杂度的空间谱估计算法。主要研究工作如下:首先,针对SML算法计算复杂度高的问题,本文提出了基于改进粒子群的SML算法。该算法首先使用旋转不变子空间算法(ESPRIT)来获取DOA的预估计值,同时计算系统此时的信噪比以及克拉-美罗界(CRB);然后根据DOA的预估值和当前的CRB值在SML最优解的近邻范围内确定较小的初始化空间;最后对粒子群算法中的惯性因子进行改进,使粒子以合理的速度搜索SML算法的最优解。相比于传统粒子群算法,改进粒子群算法降低了SML的解析复杂度,并且在收敛速度上具有显著优势。然后,为了进一步降低SML算法的计算复杂度,本文提出了基于膜计算的SML算法。该算法首先利用膜计算的框架将SML算法的解空间进行膜划分,划分成基本膜和表层膜;然后在每个基本膜内并行采用本文提出的改进粒子群算法进行局部寻优,同时利用膜系统的转移与交流规则将基本膜区域内的局部最优解送至表层膜来用于全局优化;最后在表层膜区域采用人工蜂群优化算法进行全局最优解的搜索。相比于本文提出的粒子群优化算法,利用改进型的膜计算方法对DOA的最优值进行求解,有更高的计算效率。最后,为了验证本文提出的两种算法的性能,利用仿真实验进行了性能分析。在不影响DOA估计精度的前提下,相比于传统PSO算法,改进PSO算法所需的粒子个数和迭代次数大约是传统PSO算法的1/5,降低了SML算法的解析复杂度,所需的时间大约是传统PSO算法的1/10,在收敛速度上也有显著优势;同时改进的膜计算算法所需的时间大约是传统PSO算法的1/11,进一步提高了算法的计算效率。综上所述,本文提出的两种算法解决了SML计算复杂度大的问题,而且实时性效果显著。