阵列信号处理是现代信号处理领域的一个重要的研究分支，其广泛应用于雷达、声呐、通信、电子对抗、地震预测、勘探技术以及生物医学工程等众多领域。信号源个数估计在阵列信号处理中占有重要地位，精确的信源数是很多超分辨阵列信号处理算法得以实现其超分辨性能的前提条件。如果估计的信号源个数与真实的信号源个数不一致，则会导致超分辨算法性能严重下降或者完全失效。近三十年来，随着空间谱估计技术的快速发展，涌现出大量关于信源数估计的文献。这些算法中大多数对信噪比的要求较高，即在高信噪比背景下检测性能较好。而实际应用中经常会出现低信噪比情形，比如电子侦察、隐身技术等，因此研究适合低信噪比环境的信源数估计算法具有重要意义。另外，实际中存在一类非平稳信号，它们的各阶统计量在短时间内是与时间无关的，但是在不同时间帧之间又存在差别，这类信号被称为短时平稳信号。现有算法一般都是针对广义平稳信号源推导出来，因此研究针对短时平稳信号源的信源数估计方法是非常有必要的。　　 本文调研了各种不同应用条件下的信源数估计方法，并在这些已有成果的基础上提出了两种新的估计方法。本文的主要内容包括以下几个方面：　　 1．介绍几种典型的信源数估计方法，包括基于信息论准则的方法，基于盖氏圆定理的方法以及一种基于特征向量的估计方法，通过多组仿真实验比较这些算法的性能。然后进一步分析常用算法对于短时平稳信号源个数的检测性能。　　 2．提出一种新的低信噪比下的信源数估计算法，介绍在低信噪比下导向向量与阵列协方差矩阵特征向量的内积相对于协方差矩阵特征值存在的优势，同时分析直接利用该内积进行信源数估计可能导致欠估计的原因，进而用特征值构成的权值对该内积进行改进，再根据bootstrap技术，不需要增加新的接收数据而只对原接收数据进行多次重采样，得到平均bootstrap加权内积，最后利用聚类算法得到信号源个数的估计。通过对比实验验证该算法的有效性。　　 3．针对短时平稳信号的特点，提出一种基于KR子空间的短时平稳信号源个数估计算法。首先计算局部协方差矩阵并对其列向量化组成一个高维的矩阵，该矩阵与接收数据快拍矩阵具有同样的表达形式，然后对该矩阵进行去噪降维得到一个新的矩阵，最后用这个矩阵构造二阶统计量并根据内容2中提出的算法来估计信源数。通过对比实验验证该算法的有效性。