波达方向（Direction of Arrival,DOA）估计是阵列信号处理的核心内容之一,被广泛应用于无线通信、雷达定位以及航空导航等领域。传统的DOA估计方法通常都是基于噪声服从高斯分布这一假设,然而在实际的无线传播信道中,存在大量强干扰。这些强干扰将带来一些显著偏离标准方差的脉冲,也称为脉冲噪声。若不考虑脉冲噪声的影响,传统DOA估计方法的性能将恶化。为了对抗强干扰,国内外研究人员提出了一些基于子空间理论的稳健DOA估计方法,然而当快拍数量有限或者信噪比较低时,子空间方法性能将退化。基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的方法由于能够弥补基于子空间方法的不足而得到迅速发展,但仍存在以下问题:1)基于SBL的稳健DOA估计方法在求解参数信息时需要对一个高维矩阵进行求逆,计算复杂度普遍较高;2)现有方法仅考虑噪声的元素稀疏特性,未能充分利用脉冲噪声的结构化特征,进一步提升DOA估计性能。基于上述理论,本文的主要研究内容如下:针对现有基于SBL的稳健DOA估计方法存在计算复杂度较高的问题,本文提出一种基于变分贝叶斯推断（Variational Bayesian Learning,VBI）的实值DOA估计方法。所提方法利用酉变换将一个复数稀疏信号恢复问题转换为一个实值稀疏信号恢复问题,并创新地将多个实值向量重新组合排列,有效避免了脉冲噪声背景下无法进行实值DOA估计的困境,极大简化了贝叶斯公式推理过程,降低了计算复杂度。该方法还利用VBI技术分别估计目标信号与脉冲噪声所涉及的相关参数,减少了实数域中噪声对信号的影响,保持了复数域中较好的DOA估计性能。与现有方法对比,所提方法能够在不牺牲DOA估计性能的前提下有效降低计算复杂度,减小了运算量。针对现有基于SBL的稳健DOA估计方法未能充分利用脉冲噪声的结构化特性问题,提出一种连续突发脉冲噪声背景下基于VBI的DOA估计方法。所提方法引入一种新颖的二维块状稀疏先验,充分利用了强脉冲的结构化特征,极大提升了DOA估计性能。另外,鉴于传统网格更新方法在突发脉冲噪声下效果不佳,本文还提出一种改进的网格校正方式。该校正方式可以直接确定网格点并避免任何矩阵求逆运算,有效降低了离格误差,进一步提高了DOA估计的准确性。与现有方法的对比实验表明所提方法在连续强脉冲下具有优异的DOA估计性能。