波达方向估计,即DOA(Direction of Arrival),是一种测向方法。它利用天线阵列接收数据来估计出入射信号的到达角,在移动定位、声呐系统、雷达跟踪等众多领域中均有着重要的应用。在很多实际的场景中,信号源通常是运动的,因而需要进行实时的DOA估计,即DOA跟踪。然而,DOA估计算法都是以假设信号源在观测的时间段内是静止的为前提的,当信号源运动时,会造成空间谱的扩散。而且这类算法通常需要大量快拍数的积累或者是进行特征值分解运算,因而直接将其用于动态跟踪问题时计算量较大,实时性会受到影响,所以有必要更加深入地探究高精度的DOA跟踪算法,本论文即选取这一方向作为研究内容。首先,本文介绍了研究问题的背景,分析了DOA跟踪算法的研究现状。介绍了DOA跟踪的基本理论及经典的子空间追踪类算法,并研究了信号源的相干性对基于子空间追踪的DOA跟踪算法的影响。其次,研究了基于粒子滤波的DOA跟踪算法。粒子滤波是在贝叶斯理论框架下构建的,避免了基于子空间的算法无法处理相干信号源的问题。考虑了初始角度未知的情形,对初始角度进行了校正。基本粒子滤波算法需要已知噪声统计特性及系统的运动状态模型,然而在实际情况中可能无法精确知道这些信息。因此引入了代价参考粒子滤波算法和交互多模型算法,即CRPF(Cost Reference Particle Filter)和IMM(Interacting Multiple Model)。其中,CRPF不必要知道系统的噪声统计特征,而IMM可以同时适用于多种运动状态模型。然后,联合两种方法的特点,在此基础上,提出了一种具有IMM结构的CRPF算法。仿真分析中,对比了各种不同条件下的各算法性能,并验证了基于IMM和CRPF的DOA跟踪算法的有效性。最后,研究了贝叶斯学习构架下的DOA跟踪,提出了一种基于动态阵列流形的DOA跟踪算法。这一类算法同样也可以处理相干信号源,而且不需要构建状态空间模型,更具有通用性。在基于稀疏贝叶斯学习的DOA跟踪算法中,空间角度的稀疏划分将导致网格效应,并且需要网格偏移校正。接着对两种快速算法进行了分析,以降低算法复杂度。由于稀疏模型将信号扩展到了很高的维度,快速算法的计算量仍然较大。考虑到DOA跟踪问题中的时变特性,构造动态流形矩阵,无需进行空间角度划分和信号维度扩展,直接在低维度利用贝叶斯学习的框架实现DOA跟踪,从而使计算量大大减小,且没有网格效应,精度更高。然后,利用求解过程中得到的相应参数,实现了可变信号源个数的DOA跟踪。仿真结果表明,基于动态阵列流形的DOA跟踪算法具有更好的性能。