在车联网环境下,利用车载MIMO-OFDM雷达通信一体化信号,将估计出的波达方向角(direction of arrival,DOA)结合车辆之间的距离和速度信息就可以实现车联网中的定位,因此,DOA估计在车联网中的定位具有重要的研究意义。论文围绕一维和二维DOA估计算法以及其在车联网应用环境下存在的问题进行研究。针对车联网环境的需求,提出了适用车联网环境的一维和二维DOA估计方法。具体研究内容如下:(1)通过雷达通信一体化在车联网中的系统建模,对车联网中车辆在同一平面上时进行一维DOA估计研究。结合车联网实时定位需求,针对传统的DOA估计算法计算量大,在接收样本数量小和低信噪比条件下性能急剧下降的问题,提出一种适用于车联网实时定位的迭代DOA估计方法。该方法无需特征分解无需谱峰搜索,并通过更新接收数据协方差矩阵的方式来进行迭代DOA估计。(2)由于车联网中的车辆并不一定都在同一水平面上,因此需要对其进行二维角度的估计研究。在二维DOA估计中,传统的二维DOA估计算法不仅需要特征值分解或者谱峰搜索还需额外的俯仰角和方位角的配对,进一步提高了运算复杂度,因此,传统的二维DOA估计算法很难应用于实际的车载通信系统中。根据实际的车联网环境,本文提出了一种新的适用于车联网的二维DOA估计方法,该方法估计出俯仰角和方位角的同时能实现俯仰角和方位角的自动配对,大大减小了计算量。仿真实验表明,第三章针对车联网中车辆在同一水平面上时方位角的估计,提出的迭代DOA估计新方法无需特征分解,无需谱峰搜索,且在小样本数和低信噪比下具有较稳定的性能,计算量明显少于传统的DOA估计算法,并能满足车联网小样本数下的参数估计要求;第四章提出的二维DOA估计方法能实现俯仰角和方位角的自动配对,同样无需特征分解和谱峰搜索,大大减少了运算量。仿真结果证明了本文方法的可行性,稳健性和优越性,为车联网中的实时定位奠定了理论基础。