阵列信号处理是通过布置在空间的传感器组对空间信号进行滤波及提取信息的一种信号处理方式，经过几十年的发展已日趋成熟并且在雷达、生物医疗、勘探及天文等多个军事和国民经济领域都有着广泛的应用。其中，波达方向（DOA）估计是阵列信号处理领域的一个重要组成部分。随着科技的发展，天线阵列的孔径也越来越庞大，传统的DOA估计算法由于其巨大的复杂度，已不能满足实际应用需求。因此，如何降低传统的DOA估计算法的复杂度成为了该学术领域一个亟待解决的问题。传统的DOA估计算法需要估计采样数据的样本协方差矩阵以及对其做特征值分解来获得信号或者噪声子空间，此类算法的复杂度为（？）（M²N+M³），这里M、N分别为阵元数和快拍数。显然，当阵元数很大时，复杂度将与M3成正比。针对此问题，本文在第4章提出了一种低复杂度的超分辨DOA估计算法。与传统的子空间类算法不同的是，本文所提的算法不需要计算整个样本协方差矩阵，相反，我们只需要计算两个小样本协方差矩阵R₁₁∈（?）^K×K和R₂₁∈（?）^M-K×K，其中P≦K≦min{M,N}为用户定义的参数，P为信源个数。结Nystr m方法，通过找到R₁₁和R₂₁之间的关系来构建信号子空间，避免了对整个样本协方差矩阵的特征值分解，并且此信号子空间估计方法的复杂度只有（？）（MK²），尤其在K《M时该复杂度远小于特征值分解所需要的（？）（M³）。此外，我们还推导了此算法的DOA估计近似均方误差。为了进一步降低复杂度和提高DOA估计算法的精度，本文结合Nystr m方法改进了实数域的酉ESPRIT算法。首先，通过酉变换将样本数据从复数域转换到实数域。其次，引入Nystrоm方法构建实数域的信号子空间，并且推导了基于该信号子空间的酉ESPRIT。需要强调的是，此算法中矩阵运算都在实数域进行，因此复杂度将远小于复数域的ESPRIT算法，易于工程实现。构建实值的小样本协方差矩阵（?）₁₁和（?）₂1的过程，等价于对样本协方差做了一次前后向平滑，因此，此算法可以对抗相干源问题。仿真结果证明了该算法的有效性。