在阵列信号处理中，大多数高分辨算法都需要准确地估计出信号子空间或者噪声子空间，所以子空间估计扮演着重要的角色。常规的子空间估计方法都是通过接收数据的协方差矩阵的特征值分解或者接收数据的奇异值分解得到，在阵元个数较多的情况下，这两种方法有很高的计算复杂度，难以满足实时处理的要求。另外，在小样本支撑的信号环境中，由于噪声的影响，采样协方差矩阵难以反映真实的信号特征，导致基于特征值分解方法估计出的子空间性能受到很大的限制。 本文的工作就是深入分析和研究了子空间估计的快速算法，这对于提高阵列信号处理系统的实时性和有效性有着重要的意义。论文由子空间快速估计算法的分析和比较、迭代类子空间估计算法的初始条件的选择、信源个数的判断和子空间快速估计的应用等部分构成，主要工作概括如下： 1.分析了三种基本的子空间快速估计算法的基本原理、算法流程和计算复杂度，即投影逼近子空间跟踪(PAST)算法、Lanczos算法和多级维纳滤波(MSWF)算法，并通过计算机仿真比较了这三种算法的性能。 2.研究了两种递推类算法——Lanczos算法和多级维纳滤波算法中的初始条件选择问题，提出两种初始方向向量的估计方法——四阶累量方法和退化的投影逼近子空间跟踪(PASTd)迭代方法。 3.基于两种递推类子空间快速估计算法的原理，提出基于功率和相关系数的信源个数估计方法。