随着阵列信号处理技术的快速发展,各领域对信号的测向精度要求越来越高,为了实现更高精度的信源估计,波达方向(Direction of Arrivals,DOA)估计就成了当前的研究热点。MUSIC(Multiple Signal Classification)算法、ESPRIT(Estimating Signal Parameter via Rotational Invariance Techniques)算法等高分辨率算法的的缺点在于低信噪比下的DOA估计误差较大,且不能直接用于相干信源的DOA估计。近年来,随着统计学和智能算法的飞速发展,越来越多的统计智能算法也被用于DOA估计中,如主成分分析(Principal Component Analysis,PCA)、神经网络算法、支持向量回归算法等。这类算法的优点在于通过建模的方式来构造信号估计模型,能够将噪声、阵列排布误差等影响因素通过训练包含在模型中,不需要对划分的角度空间进行谱峰搜索,而且能够更快速地估计出来波方位。本文对此类算法的关键技术进行了深入的探讨和分析。首先,本文研究了PCA算法在经典高分辨率算法(MUSIC、SOMP算法)中的应用,研究了阵列PCA-MUSIC算法和PCA-SOMP算法。由于这些高分辨率算法在进行DOA估计时往往需要很大的快拍数,而每一次的采样数据都包含了噪声信息。因此使用PCA算法来降低采样信号维数从而对信号进行重构,重构后的信号仍然保留了原始信号的信息,但减少了原始信号中的噪声信息。改进后的阵列PCA-MUSIC算法、阵列PCA-SOMP算法在低信噪比下的DOA估计性能提高。其次,本文研究了PCA算法在神经网络算法中的应用,并用于近场源的参数估计。研究了阵列PCA-BP、阵列PCA-RBF算法,通过PCA对输入数据进行降维,从而减少了输入神经元的个数,使得神经网络的结构变得简单,减少了网络的训练时间,也提高了低信噪比下的近场源参数的估计性能。同时,PCA-BP算法也能在阵列存在误差的情况下对近场源参数进行准确估计。最后,本文研究了PCA算法在回归算法中的应用,并用于近场源的参数估计。研究了偏最小二乘回归算法(Partial Least Squares Regression,PLSR)对近场源参数进行估计,NSF-PLSR算法能提取出信号的特征变量,去除冗余信息和噪声信息,对近场源参数进行高准确性的估计。另外,也使用了PCA降维的多输出支持向量回归(Multiple-output Support Vector Regression,MSVR)算法来对近场源参数进行估计。PCA-NSF-MSVR算法通过PCA降低输入信号维数,降低了算法的运算量,也去除了较多的噪声信息。仿真实验表明了所研究算法的有效性。PCA-NSF-MSVR算法也能够对相干近场信源进行估计并具有很好的估计性能。