波达方向（Direction-Of-Arrial,DOA）估计已成为阵列信号处理的研究重点之一,它在雷达探测、通信系统、航空航天、抗干扰等领域有着广泛的应用。在DOA估计中,未知的信源数可能导致经典DOA估计算法出现严重失误。故实现信源数的准确估计已成为DOA估计的关键前提。目前许多信源数估计算法都是在采样快拍数较大的情况下实现的,但在实际工程中,采样快拍数通常不都是较大的。这些算法在小快拍下的估计性能大大下降,且通过分析发现,在信源数接近于所用的阵元数时,许多经典算法的性能急剧下降甚至失效。针对小快拍数下EMD过程中出现的模态混叠问题导致分解的IMF分量错误率较高进而严重影响信源数目估计性能的问题,提出一种基于自适应白噪声的完整集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）的信源数目估计算法。论文的主要工作内容如下:1、通过查阅大量已有文献,对课题的研究背景和信源数估计的研究现状作了简单的介绍。2、概述了阵列信号的理论基础,包括均匀线阵、均匀圆阵与加性噪声模型,同时介绍了MUSIC算法原理,探讨了信源数估计的关键影响因素。重点介绍了基于信息论的估计算法、基于对角加载的信息论准则法、盖尔圆法等较为经典的信源数估计方法,并利用理论数据对各算法在信噪比、快拍数、阵元数、背景噪声不同的情况下的信源数估计性能进行了对比和分析。3、构建改进型HHT,即:CEEMDAN+HT,通过在EMD过程中引入自适应白噪声来抑制模态混叠问题。首先利用CEEMDAN代替EMD获得一系列IMF分量,再根据基于相关性系数的方法对虚假分量进行剔除,然后利用HT提取瞬时相位的有效特征,最后利用BP神经网络对信源数目进行估计。4、针对小快拍数下EMD过程中出现的模态混叠问题导致分解的IMF分量错误率较高进而严重影响信源数目估计性能的问题,提出了基于CEEMDAN的信源个数估计方法。首先对所提建模方法的整体流程作了详细的介绍,通过对阵列信号做CEEMDAN并取前3阶IMF分量后进行HT变换获得信号的瞬时相位,再对瞬时相位作特征提取获得特征向量,最后将特征向量代入BP神经网络中进行训练,由训练所得的数学模型能够对小快拍数下的信源数目估计进行估计。然后通过对比EMD、EEMD算法来验证CEEMDAN在小快拍数下的优越性,最后利用理论数据和射频消音室数据对本文算法和其他五种算法做仿真实验,验证了所提算法在小快拍数和信源数接近于阵元数尤其是比阵元数少一个的情况下有着很好的估计性能。