波达方向估计（DOA）是阵列信号处理领域的热点话题,它在声呐、雷达、医学检测以及电子对抗等领域都有广泛的研究和应用,它的实质就是通过处理接收数据来获取方位角的信息。传统的DOA估计方法通常是模型驱动类的估计方法,如谱估计算法、子空间算法及其各种改进的算法,但是模型驱动类估计方法存在着稳健性差、运算量大以及估计时间长等问题。近年来,深度学习（DL）在计算机视觉、语音文本处理以及模式识别等方面具有显著的表现,其解决复杂非线性问题的能力已经广为人知,给传统DOA估计提供了一种新的可能的解决方案。基于深度学习来实现水声阵列DOA估计的本质是利用大量统计数据对具有特定结构、包含未知参数的数学模型进行训练,生成蕴含训练数据内在特征的拟合器,深度挖掘数据特征。本文在窄带远场信号条件下,以水声阵列为研究对象,根据DOA估计的原理和特点,构建生成阵列接收信号的仿真数据,通过采取不同的特征提取方式,使用机器学习模型和残差金字塔网络来实现DOA估计;以及提出一种基于粒子群优化卷积神经网络的DOA估计方法,设计了一种差分算子,允许比较具有不同层数和参数的两个粒子,在不使用实值编码方案的情况下更新粒子的速度和结构。主要工作如下:1.采用区别于传统对协方差矩阵进行子空间分解的方法,仅选用上三角区域元素的实数和虚数构成特征向量,建立机器学习模型来实现DOA估计。主要包括随机森林（Random Forest）、支持向量机（SVM）、K近邻算法（k NN）以及K近邻算法的改进方法（PCA-k NN）。仿真结果表明,机器学习方法实现DOA估计的准确度优于传统算法。其中PCA-k NN算法能够大幅度地降低样本特征维度,减少估计时间,且去噪效果较好,在小信噪比环境下可以在较短的估计时间下达到较高的估计精度。2.借鉴卷积网络以类似图像识别的方式处理仿真DOA数据上的成功案例,构建残差金字塔网络分类模型,采用了区别于提取上三角区域元素的实数和虚数构成特征向量以及传统对协方差矩阵进行子空间分解的方法,使用包含虚协方差矩阵和实协方差矩阵的双通道矩阵作为残差金字塔网络的输入来实现DOA估计。仿真结果表明,在同等条件下,神经网络方法在增加阵元数方面提升性能的量级是最大的,而传统算法在增大信噪比方面提升性能比较明显。在低信噪比条件下,残差金字塔算法的DOA估计准确度略优于CNN算法,高于PCA-k NN算法和传统算法,综合有限的时间延迟,残差金字塔更具有优势。3.借鉴群智能算法在基于深度学习在图像处理领域的发展和应用以及卷积神经网络在DOA估计方面取得了良好的效果,建立一种自选择神经网络的结构模型。研究了一种基于粒子群优化卷积网络的DOA估计方法,将阵列DOA估计的双通道虚、实协方差矩阵作为模型的输入信号,采用可变长编码策略和速度计算方案对CNN结构进行优化,设计了一种新的直接编码策略和速度算子,允许比较具有不同层数和参数的两个粒子,在不使用实值编码方案的情况下更新粒子速度和结构。找到最佳网络后,保存网络结构和权重,读取其模型来进行类似环境和条件下的角度估计,以达到对此时角度估计的计算效率和性能的最佳适配。仿真结果表明,在不同信噪比和阵元的条件下,用于DOA估计的网络结构是不同的。在准确性方面,低信噪比环境下,拟议的算法的准确度优于残差金字塔算法,CNN算法,PCA-k NN算法和传统算法,综合有限的时间延迟,拟议的算法更具有竞争力。此外,该方法仅仅使用20个粒子和10次粒子迭代,就找到了性能更好的网络,这表明许多人工设计的网络包含了一部分不必要的参数和结构,在较小网络下也存在比较有优势的网络模型。