波达方向（Direction of Arrival,DOA）估计是阵列信号处理领域中的重要研究方向之一,在无线通信、雷达、声呐、生物医学等领域中具有广泛的应用。传统的水声目标探测技术估计性能受限于阵列孔径、环境噪声、数据长度等因素的制约,性能已接近极限。研究表明,利用信号的空域稀疏性和贝叶斯学习方法可以实现更高精度的DOA估计。但现有基于稀疏贝叶斯学习的DOA估计方法大多是在完美的阵列模型下研究的,在实际声呐系统中,水听器阵有时存在阵元耦合的影响,导致DOA估计方法性能恶化。针对实际系统存在阵元互耦和离网格误差的问题,本文研究基于稀疏贝叶斯学习的DOA估计方法;针对单快拍稀疏贝叶斯学习的DOA估计方法精度较低,增加快拍数可提高估计性能,但运算量较大的问题,本文研究了高效的多快拍数据处理方法。主要的研究内容如下:1.在水下传感器组成的声呐测向系统中,大多存在阵元间的耦合影响,导致现有的DOA估计方法性能下降,甚至失效。针对此情况,提出了一种阵元存在互耦情况下的稀疏贝叶斯离格方位估计方法。首先,将空间域离散化为均匀的网格,并且引入离网格误差,针对阵元互耦,引入互耦系数向量;其次,确定离网格误差和互耦系数向量的先验分布,建立含有离格参数和互耦参数的贝叶斯学习模型;最后,使用的期望最大化算法进行参数学习,对未知互耦、离格等参数进行迭代更新,从而消除未知互耦对DOA估计性能造成的影响。仿真结果表明,本文所提方法在阵元未知互耦较大的情况下依然可以较好的方位估计性能,并且具有较强的多目标分辨能力。2.在水下传感器组成的声呐测向系统中,声呐系统处理的信号往往是多快拍数据,基于稀疏贝叶斯学习的DOA估计方法处理多快拍数据时,借鉴单快拍的数据的处理方式,得到每次快拍的估计结果,然后利用l1范数,得到多快拍数据的参数估计值。针对该处理过程计算效率较低,运算开销大的问题,提出了一种基于协方差矩阵稀疏表示的DOA估计方法。首先,利用Khatri-Rao积将多快拍数据变成单快拍数据模型,并对该模型进行分块处理;其次,建立贝叶斯参数化学习模型,利用变分推理方法对参数进行学习,对期望、均值等参数进行迭代更新;最后,从参数中剔除噪声参数,并通过谱峰搜索得出入射信号的DOA估计。仿真结果表明,所提方法的方位估计性能优于OGSBL方法（传统的多快拍数据联合处理方法）。3.通过千岛湖湖上试验验证了本文提出方法的有效性。湖上试验数据处理结果表明,本文提出方法的方位估计性能优于传统的DOA估计方法（MUSIC、CBF、MVDR、OGSBL和l1-SVD方法）。