自适应波束形成（Adaptive Beamforming,ABF）技术作为阵列信号处理最为关键的一项技术,经历了数十年的研究与发展,已经在雷达系统、声纳系统、医疗诊断系统、地震监测、无线电通信以及天文工作中被广泛应用。自适应波束形成器主要功能就是根据阵列接收信号,通过ABF算法得到相应的自适应波束形成权值矢量,再根据权值矢量调整自适应阵列抑制和削弱干扰和噪声并以此得到期望信号。ABF技术发展至今,也已经发展出了鲁棒自适应波束形成（Robust Adaptive Beamforming,RABF）技术,该技术在鲁棒性以及输出性能上达到了很高的水平,然而传统的鲁棒自适应波束形成器都是在牺牲算法处理效率的情况下得到输出性能上的提高。为此,在近几年,研究员们也逐步把研究重心放在提高算法运算效率上。本文将在现有的工作基础上,提出了两种新的RABF算法,以达到在保证输出性能的前提下尽可能压缩算法处理时间的效果。本文首先提出了一种基于交替乘子法（Alternating Direction Method of Multipliers,ADMM）的RABF算法。该算法利用ADMM求解最小方差无失真响应鲁棒自适应波束形成（Minimum Variance Distortionless Response Robust Adaptive Beamforming,MVDRRABF）数学模型,得到相应的最优权值向量。ADMM凭借优秀的收敛性以及可分解性可以有效的降低MVDRRABF算法的算法复杂度,缩短算法的处理时间,在尽可能保证波束形成输出性能的同时提高算法的效率,使算法更接近于实际应用层面。本文还提出了一种基于ADMM和深度学习理论相结合（Learned—ADMM,LADMM）的RABF算法。我们发现基于ADMM的RABF算法在高SNR时由于控制收敛的残差的提高,算法在高SNR区间算法处理速度严重变慢。为了解决该问题,文章中该算法选择让ADMM与深度学习理论相结合,根据ADMM的算法结构搭建内外两层相互嵌套的RNN网络,并根据传统MVDRRABF算法构造的数据集训练该神经网络得到相应的模型。模型的输入为噪声协方差矩阵以及信号协方差矩阵,输出则是最优导向向量。经过测试,该算法能有效解决前者高SNR区间处理时间严重增长的问题,并且保证其输出性能。