定位信号参量估计是阵列信号处理领域的重要研究内容之一,在雷达、声呐、移动通信、遥感勘探等领域有着重要的应用价值。理想模型假设下的定位信号参量估计理论已经发展到较高水平,然而实际工程应用中阵列接收信源信息的过程往往面临阵列的非完全校准、传播介质非均匀和传播环境温湿度变化等因素影响,这些非理想的阵列接收模型破坏了接收数据阵列流形的精确无偏条件,造成了阵列接收信号在幅度和相位上的扰动。研究表明,当幅相误差超过一定的阈值后（如相位误差超过一个周期的1/10）,基于理想模型假设的定位参量估计方法性能会迅速下降甚至失效。因此,研究幅相扰动下稳健的阵列信号定位参量估计方法是阵列信号处理领域一个亟待解决的关键问题。为克服幅相扰动的影响,近年来国内外学者提出许多有效的解决方法。但现有研究大多基于阵列非完全校准带来的幅相扰动,此时的扰动是不变或是缓变的。而当传播介质非均匀情况下所产生的幅相扰动是快变甚至时变的,后者计算和处理的难度要远大于前者,尤其在时变幅相扰动先验信息未知时,鲜有文献对其研究。本文针对幅相扰动下的阵列信号定位参量估计问题,讨论了两类引起幅相扰动问题的产生原因并分别建立幅相扰动的数学模型,开展了基于稀疏重构、子空间类方法和深度学习方法的稳健定位信号参量估计算法的相关研究工作,并在超声平台原理验证系统和消声水池实验分别对部分算法有效性进行验证。主要创新点如下:（1）针对阵元接收采集部分未完全校准导致的幅相扰动问题,提出了部分校准COLD阵列下基于Log惩罚的信号波达方向、极化参量和功率联合估计算法,在幅相扰动较大时仍具有良好估计性能。该方法将部分校准标量阵列拓展至极化敏感阵列,获得更好信源角度估计性能及极化参数估计。分析了由电偶极子与磁环组成的COLD（concentered orthogonal loop and dipole）阵列两通道接收协方差矩阵和的统计特性,利用稀疏重构框架下定位信号参量估计高估计精度、高鲁棒性的特点,通过连乘子函数和简单的代数运算完成初始幅度相位误差的估计,采用Log惩罚和DC（difference of convex）分解估计信号波达方向并求解出目标信号的极化参数与功率。仿真实验验证了算法定位信号角度均方根误差未随幅相扰动的增大而增加,表明了所提算法对幅相扰动的有效抑制。（2）针对信号由于传播介质非均匀等所产生的时变/快变幅相扰动与未知平稳噪声共存问题,提出了基于协方差矩阵Hermitian结构的幅相扰动估计算法并采用近场协方差矩阵差分技术抑制加性平稳噪声影响。算法利用接收数据协方差矩阵反对角元素乘积只与幅相扰动、信号功率相关的特性,估计出幅相扰动与信号功率的乘积,去除幅相扰动及加性高斯白噪声的干扰。但所提方法对色噪声比较敏感。因此,当时变幅相扰动与未知平稳噪声共存条件下,利用平稳噪声协方差矩阵关于主对角线对称的特点,构造近场源定位模型下的空间差分矩阵,通过对消噪声分量有效降低了未知平稳噪声对定位精度的影响。推导并证明了近场差分矩阵谱分解特性,以此为基础确定噪声子空间,借助谱峰搜索实现定位信号参量估计,同时证明了所提算法有效避免了远场差分算法在信源定位时出现的伪峰问题。（3）针对时变幅相扰动协方差矩阵先验信息未知的定位参量估计问题,采用基于BP神经网络的深度学习方法,提高了算法的泛化性。深度学习理论的核心计算是矩阵的乘法和加法以及矩阵的非线性变换,当阵元数与信源数较大时不需要复杂的特征值分解等操作,大大降低了传统估计方法的计算量,同时该方法对目标信号是否相干、幅相扰动和阵列位置偏移等影响不敏感,有效应对时变幅相扰动下的阵列定位参量估计问题。以阵列接收数据协方差矩阵作为输入,分别以时变幅相扰动和目标信源方位信息作为输出,建立非线性的映射关系,通过数据集对模型进行训练。仿真实验结果表明,算法较传统定位参量估计算法对幅度相位扰动与加性噪声均有较好的鲁棒性以及更低的计算复杂度。