声矢量传感器(Acoustic Vector Sensor,AVS)能够同步共点地拾取声场中某处的声压和质点振速信息,在水下目标检测定位等领域得到了广泛应用,是水声领域和阵列信号处理领域的研究热点之一。建立在目标静止假设上的空间谱估计算法和建立在目标波达方向(Direction of Arrival,DOA)缓慢变化假设上的传统粒子滤波类算法是声矢量阵列信号处理领域的主要研究方向。而在实际环境中,目标通常是运动的,目标DOA也呈现出快速变化和强烈非线性的趋势。尤其在目前水下目标速度和机动性能大幅提高的情况下,传统空间谱估计算法和传统粒子滤波类算法性能急剧下降甚至失效。随着海洋资源争夺日益激烈、海洋资源开发需求日益增长和海上作战能力要求日益提高,更符合实际情况的机动目标DOA跟踪方法的研究具有重要价值和意义。本文主要研究了基于声矢量传感器阵列的机动目标DOA估计跟踪方法,取得的主要研究成果如下:(1)针对DOA跟踪与目标跟踪的异同展开研究,分析了DOA快速变化和强烈非线性的成因,并通过定义DOA速率和非线性度两种参数来定量描述DOA的快速性和非线性;建立了目标DOA的匀速、匀加速和“当前”统计模型;在分析水下目标运动样式的基础上,构建了两种典型场景来模拟目标的实际运动情况,并分析了其DOA的变化规律。(2)研究了一种基于特征空间的DOA估计算法,通过构造似然函数进行粒子权重更新的方式与传统粒子滤波算法相结合,提出一种特征空间粒子滤波算法;并在此基础上,将其与目标DOA的匀速、匀加速和“当前”统计等单模型相结合,提出一种基于单模型的特征空间粒子滤波DOA跟踪算法。该算法与传统基于匀速模型的粒子滤波类算法相比,具有跟踪精度高、实时性好等优点,并且在小快拍、低信噪比时仍具备较高的跟踪精度。(3)针对DOA快速变化和强烈非线性的情况,在分析DOA运动模型性能的基础上,提出一种自适应特征空间粒子滤波DOA跟踪算法。该算法在DOA快速变化和强烈非线性的情况下依然保持较高的跟踪精度,同时对DOA变化缓慢和非线性程度弱的情况也具有较好的普适性,具备自适应性强、实时性好等优点。(4)在传统交互多模型算法(Interacting Multiple Model,IMM)框架下,采用特征空间粒子滤波算法作为滤波器,构建CV+CA的模型集,改进模型概率更新方案,提出一种适用于声矢量阵列DOA跟踪的基于IMM的特征空间粒子滤波DOA跟踪算法。该算法对不同DOA变化情况具有很好的普适性,跟踪精度较高,对运动样式的适应性强,理论分析和仿真实验证明了算法的有效性。理论分析和仿真实验均表明,本文所提算法均能实现对机动目标DOA的实时动态跟踪。本文所提出的基于单模型的特征空间粒子滤波DOA跟踪算法和基于IMM的特征空间粒子滤波DOA跟踪算法在目标DOA快速变化和强烈非线性的情况下依然具备很高的跟踪精度,完成了对机动目标DOA的实时动态跟踪。