波达方向(Direction of Arrival,DOA)估计一直以来都是信号处理领域的重要研究内容之一,在许多领域内都有广泛的应用,例如雷达,声纳,移动通信等。传统的子空间类方法(例如,MUSIC,ESPRIT)通常需要大量快拍才能达到较好的估计性能,并且当信号高度相关或相干时,其估计性能会显著下降。近年来,稀疏贝叶斯学习(Sparse Bayesian learning,SBL)方法的出现为DOA估计提供了新的思路,国内外学者也相继提出了许多基于稀疏贝叶斯学习的DOA估计方法,然而现有的这些方法仍然存在一些缺陷:1)基于稀疏贝叶斯学习的DOA估计方法大多在求解信号参数的过程中仍需要进行复杂的矩阵运算,从而导致计算复杂度较高,运算量较大;2)在现实情况中,阵列流形误差是影响DOA估计性能的一个重要因素,如何在降低运算复杂度的同时对信号参数与阵列误差进行联合估计也是一个需要思考的问题。针对上述问题,本文重点研究了基于实值稀疏贝叶斯学习的DOA估计方法,主要研究工作包括:针对现有的基于稀疏贝叶斯学习的DOA估计方法计算复杂度高,运算量大的问题,本文提出了一种高效的基于实值稀疏贝叶斯学习的DOA估计方法。该方法利用酉矩阵将复数数据模型转化为实数数据模型,进而引入奇异值分解(Singular Value Decomposition,SVD)对矩阵进行降维处理,有效地降低了方法的计算复杂度。然而,将数据模型转化到实数域后大多数现有的网格更新方法将不再适用,因此提出了一种新的网格更新方式。新方法利用一个固定的步长来迭代地更新网格点的位置,有效地提升了估计精度。实验仿真结果证明所提方法可以有效地降低计算复杂度,减小运算量,同时具有更高的估计精度。针对如何在降低运算复杂度的同时有效应对阵列误差和信号参数的联合估计问题,本文对阵列间存在互耦误差的DOA估计和误差较真方法进行了深入研究,提出了一种基于实值稀疏贝叶斯学习的DOA和互耦稀疏联合估计方法。基于均匀线阵的假设,在数据模型中引入Toeplitz互耦系数矩阵,建立相应的互耦模型。然后通过酉变换将互耦模型转换为实值模型,并通过所提出的基于实值稀疏贝叶斯学习的DOA估计方法对DOA进行估计。实验仿真结果表明该方法可以有效地解决阵列间存在互耦时DOA估计的问题,且运算量低,估计精度良好。