基于球面传声器阵列的波束形成声源识别技术凭借测量速度快、声源识别全景以及中高频定位准确等优势而广泛应用于汽车、高铁、飞机等内场噪声源识别领域。然而,其在低频声源识别时仍面临空间分辨能力低、抗噪声干扰能力差的挑战。因此,本文围绕“球面阵波束形成低频声源识别性能提升”展开研究,分析球面阵延迟求和类波束形成和压缩球波束形成的低频声源识别性能,并提出能够改善低频声源识别挑战的新型压缩球波束形成方法。首先推导球面阵延迟求和波束形成及函数型延迟求和波束形成（Functional Delay and Sum,FDAS）算法,并结合三种互谱重构降噪方法给出了降噪增强后的EFDAS（Enhanced FDAS）。对上述延迟求和类波束形成进行仿真分析,结果表明:降噪增强后的EFDAS具有良好的抗噪声干扰能力和较强的旁瓣抑制能力,但低频空间分辨能力较差且无法适用于相干声源。为此,进一步建立球面阵的多快拍压缩波束形成模型,并采用正交匹配追踪、1l范数最小化和第二类最大似然估计（Maximum Type-ⅡLikelihood Estimation,MLE-Ⅱ）三种稀疏信号恢复算法分别求解,仿真分析基于上述三种求解算法的压缩球波束形成的性能,结果表明:相比于延迟求和类波束形成,压缩球波束形成具有更强的空间分辨能力且不受声源相干性的影响;三种压缩球波束形成中,稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）框架下的MLE-Ⅱ压缩球波束形成的空间分辨能力最强,甚至能够有效识别频率低至200 Hz的声源,但其低频抗噪声干扰能力差且要求声源稀疏度估计,计算效率也有待提升。为进一步提升压缩球波束形成的低频声源识别性能,本文在SBL框架下采用期望最大化（Expectation Maximization,EM）优化算法求解源强分布和噪声方差的最大后验估计（Maximum A Posterior,MAP）,并在迭代过程中结合“互谱重构降噪”思想以增强抗噪声干扰能力,最终提出了MAP-EM压缩球波束形成。仿真和试验均表明:相比于现有的MLE-Ⅱ压缩球波束形成,MAP-EM压缩球波束形成的空间分辨能力相当但规避了声源稀疏度估计,且具有更高的噪声方差估计精度、更强的抗噪声干扰能力和更高的计算效率,从而有效提升了低信噪比环境中的低频声源识别性能。最后,分析了迭代次数和快拍数对MAP-EM压缩球波束形成的影响并给出了推荐值。