波达方向（direction-of-arrial,DOA）估计已成为阵列信号处理中非常重要的研究方向。它已广泛应用于通信、导航、声纳、雷达和电子对抗等领域。在波达方向估计研究领域内,假设信源估算的个数和真实的数量不一样的时候,对高分辨率空间谱估计方法性能会有非常严重的影响。所以,DOA估计的正确性是一个非常重要的研究课题。在很多实际应用自然场景中,场景噪声不再是白噪声。因此,色噪声背景下信源个数估计算法的研究具有较好的现实意义。然而,经典信源估计算法在空间色噪声场景下,当信源个数接近阵元数和低信噪比的情况下,其估计性能会严重恶化甚至失效。因此,在低信噪比情况下能够更好的进行信号源个数的估计,本文发现了这种基于集合经验模态分解的信号源数目估计方法,该方法利用集合经验模态分解来提取不同信号源数目的阵列信号的特征,再通过希尔伯特变换来提取阵列信号的瞬时相位特征,之后,把提取到的瞬时相位特征放入BP神经网络进行多分类预测。本文介绍了均匀圆阵基本信号模型和各个阵元的数据模型,还介绍了两种经典DOA估计算法,包括基于矩阵特征空间分解的MUSIC算法和ESPRIT算法。还分析了影响信源估计性能的主要影响因素。分别比较了经典信源个数估计在两种不同噪声背景下的估计性能,一种为高斯白噪声,另一种为色噪声。利用仿真实验对比了经典信源个数估计算法在快拍数、信噪比和信源个数变化下的鲁棒性。针对经验模态分解在提取阵列信号特征时对噪声非常敏感和过低信噪比会使模式混叠更加复杂的问题,提出了一种基于集合经验模态分解和BP神经网络的信源个数估计方法。所提方法在经验模态分解中加入均值为零的高斯白噪声,通过白噪声的频谱均勾分布的特性,使不同时间尺度的信号分量自动映射到相应的IMF上,将提取到的阵列信号瞬时相位特征放入BP神经网络中训练,得到能进行信源个数估计的分类器模型。EEMD+HT算法模型的构建,以及对该算法的计算机仿真实验和射频实验室数据实验的结果和分析。在低信噪比和信源最多等于M-1时,使用M-UCA进行信源个数估计。利用M个均匀圆阵（Uniform Circular Array,UCA）接受远场窄带信号,远场窄带阵列信号经过EEMD获得一系列IMF分量和一个残差分量,然后对前三个分量做希尔伯特变换获得瞬时相位,最后对提取到的相位再进行特征提取获得一系列的相位特征,把瞬时相位特征放入BP神经网络做训练得到算法模型。然后,采用两组对比实验来验证本文所提算法的性能,一组对比实验使用的是软件仿真数据,另一种实验使用的是射频实验室采集的数据。利用本文算法与其他五种算法做对比实验,验证本文算法的估计性能和鲁棒性。