阵列信号处理在信号处理领域有重要的研究,因此它的应用得到学者们的广泛关注。其目的对阵列传感器接收的信号或量测信息进行处理,抑制噪声和无用的信息,增强有用的信号信息。在经典DOA估计中,人们通常假设目标在观测时间内是静止不动的。但是在实际应用中,观测目标的DOA会随着时间变化可能发生改变,同时观测的目标个数也有可能发生变化,从而造成较大的测向误差。此外,通常DOA估计中噪声是高斯分布模型,而实际中噪声具有脉冲特性。因此从阵列信号模型入手,将贝叶斯估计和蒙特卡罗方法引入时变DOA估计领域具有重要的研究意义。本文将随机有限集理论用于DOA估计问题中,获得以下研究成果:1.针对脉冲噪声环境下多源到达方向跟踪的问题,通过对称α稳定分布(SαS)模拟脉冲噪声,并提出了基于无迹变换的多目标多伯努利(UT-Me MBer)过滤器框架DOA跟踪算法。为了克服粒子滤波中粒子衰减的问题,采用UT选取一组不同权值的sigma点使其接近状态的后验概率密度。由于α稳定分布没有有限的协方差,采用分数低阶矩(FLOM)矩阵得到数组的数据来代替协方差矩阵,制定多伯努利的MUSIC空间谱过滤器的更新权重。进一步的指数加权被用来提高粒子在高似然区域的权重,并获得更好的重采样。仿真结果表明,该算法能较好地解决目标DOA和目标数目随时间变化的问题。2.针对多个运动目标波达方向的估计问题,提出了基于多伯努利滤波框架下的DOA跟踪算法,对阵列信号中未知且随时间变化的信源数目和状态进行有效跟踪。其中似然函数的计算是更新阶段的关键,一般用MUSIC空间谱代替粒子滤波中的伪似然。由于使用MUSIC空间谱计算似然函数时需要对协方差矩阵特征分解,于是提出传播算子(PM)的方法获得噪声子空间以减少特征分解的计算复杂度,再进行谱峰搜索,并对其指数加权加强高似然区域的粒子强度,使重采样更有效。仿真结果表明,所提算法能有效跟踪多个运动目标DOA的数量和状态。3.针对单声矢量传感器(Acoustic vector sensor,AVS)脉冲噪声环境下的多声源波达方向跟踪问题,利用α稳定分布能更好地建模脉冲噪声的性质,提出α稳定分布下的多伯努利DOA跟踪算法。由于α稳定分布不具有有限协方差,该算法采用分数低阶距代替协方差矩阵,对FLOM进行特征分解构造噪声子空间,生成FLOM-MUSIC空间谱函数作为多伯努利滤波器的伪似然函数,并对其指数加权,改善了传统似然函数的发散问题,从而使粒子的重采样更有效。该算法的优点是不需要预先知道声源个数,利用先验信息和当前量测信息可以直接对当前声源进行跟踪。仿真结果表明,该算法能有效跟踪脉冲噪声环境下单一AVS声源的数目和状态。4.针对阵列信号处理中DOA跟踪中目标和状态时变问题,采用标签多伯努利滤波器框架下的DOA跟踪算法,对阵列信号中未知且随时间变化的信源数量和状态进行有效跟踪。由于对阵列信号而言,量测值只有一组数据,会使标签多伯努利的更新阶段因数据关联问题而失效,因此采用时间递归目标估计值的方法来确定量测值使用的次数。算法中似然函数的计算是更新阶段的关键步骤,而快拍会导致权重的计算维度增加,因此采用MUSIC空间谱函数代替粒子滤波中的似然函数。并对其进行指数加权加强高似然区域的粒子强度,使重采样更有效。仿真结果表明,与PHD-DOA的方法对比,该方法明显好。