国家“十四五”海洋经济发展规划提出要加快建设中国特色海洋强国,其中,海洋信息技术是海洋强国战略的前提和基础。为实现海洋观测,大量海洋设备和仪器被用于水下信息采集和传输,相较于单一的水声换能器接收,使用水听器阵列能够有效提高接收信号质量。作为阵列信号处理的主要研究内容之一,水声阵列信号波达方向估计技术在水下定位及海洋开发等领域有着至关重要的作用,是波束成形、声源定位的核心基础。然而海洋信道环境复杂,噪声干扰繁多、信号传输损失严重,导致水声阵列接收信号严重失真,信号DOA估计产生巨大偏差。因此,本文将针对复杂海洋信道环境,提出一种基于连续小波变换联合双支路卷积神经网络的水声阵列信号DOA估计方法,在保证DOA估计鲁棒性的同时,提高算法的精确性和高效性。本文主要完成了以下工作内容:（1）针对复杂海洋环境中,在环境噪声和传输损失等因素的影响下,无法有效提取水声阵列信号特征的问题,提出一种基于小波变换的时频融合特征提取方法,增强了信号特征与分类标签之间的联系,提高了DOA估计的精准度。该方法首先引入连续小波变换对水声阵列接收信号进行时频分析,通过线性因子改进小波系数,进而构建改进型时频阵列信号模型,能够有效增强有用信号并抑制噪声干扰。然后对复协方差矩阵进行虚实分割重构,形成单通道改进时频协方差特征矩阵,解决复协方差矩阵无法输入卷积神经网络的问题;同时利用奇异值分解,提取信号改进时频能量特征和大奇异值矩阵。最后将协方差矩阵特征、时频能量降维特征和大奇异值矩阵构成具有高完备性的多角度时频融合特征,增强特征与DOA估计标签之间的联系。（2）针对阵列时频融合特征具备极强行、列关联性的特点,设计了一种双支路卷积神经网络模型,降低了网络结构的复杂度,提高了DOA估计精确度和鲁棒性。该网络模型首先通过并行支路进行不同的卷积操作,分别增强特征的行关联和列关联;然后再次利用卷积对双支路输出结果进行整合,增强并行支路的关联;最后送入全连接网络,输出预测结果。此外,模型去除卷积神经网络中的池化层,能够避免有效特征的丢失。（3）仿真验证基于小波变换联合卷积神经网络的水声阵列信号DOA估计方法的有效性。本文利用Bellhop水声信道模型开展仿真实验,以估计准确率和平均运行时间作为DOA估计算法的评价指标,在7种信噪比情况下对比了5种不同DOA估计算法。本文所提算法将DOA估计准确率提高了5%-20%,且平均运行时间位列所有算法的第2位,证明了本文所提算法在水声阵列信号DOA估计性能上的优越性。本文研究成果大大提高了在复杂噪声干扰和传输损失影响下水声阵列信号DOA估计精度及速度,为提高水声通信的可靠性提供理论指导和技术支撑,兼具理论价值和实际应用价值。