波达方向(Direction of Arrival,DOA)估计是指通过处理天线接收数据来求解来波信号角度,在得到信号的角度后,可以更好的进行波束成形或者侦测用户位置,因此DOA估计在很多领域都是很重要的研究方向。经典的DOA估计算法包括子空间类算法和稀疏重构类方法。其中,子空间类算法中最具代表性的方法是多重信号分类(MUSIC)方法,它在高信噪比下性能较好,但是计算复杂度较高,且容易受噪声的影响。稀疏重构类算法虽然可以在单快拍下对参数进行估计,但是会带来网格化效应,而真实的角度很难位于选定的网格处,或者说是几乎不可能恰好落在某个网格处。因此,我们需要找到一种无网格的DOA估计方法,使其在低信噪比下仍然具有较好的估计性能。近几年,神经网络以其强非线性拟合能力应用在很多领域,而DOA估计问题本质上也可以看作是监督学习类问题,即通过神经网络来学习阵列接收数据与来波信号角度之间的非线性映射关系,因此本文主要研究如何建立合适的神经网络结构来实现无网格的DOA估计。具体的研究内容如下:针对窄带信号的DOA估计,本文建立了一个深度神经网络模型,该模型包括预处理、空域滤波自编码器、多层分类器和线性插值四个模块,其中空域滤波自编码器主要完成对信号的空域滤波,在这个过程不仅可以对角度进行粗分类,还可以降低噪声的影响,多层分类器用于估计真实角度与相邻网格的间隔,最后通过线性插值处理多层分类器的输出可以实现无网格的DOA估计。此外,为了减少实际中硬件的开销,我们将单比特量化的思想引入到神经网络模型中,使用单比特数据对建立的神经网络模型进行训练。最后,将基于原始数据训练的神经网络、基于单比特数据训练的神经网络和MUSIC算法进行对比,仿真结果表明,神经网络方法可以实现无网格的DOA估计,而且在低信噪比情况下,神经网络模型具有更高的估计精度,在高信噪比情况下,使用单比特数据训练的神经网络估计性能比MUSIC算法稍差,但是,神经网络模型具有更低的计算复杂度。对于宽带信号的DOA估计,本文将RSS聚焦方法和神经网络方法结合,建立了基于粗分类的神经网络模型。由于宽带信号DOA估计的性能随着聚焦区域的缩小而提高,因此本文利用了softmax和概率神经网络(PNN)两种分类器用于宽带DOA的粗分类,并对比了二者的分类成功率和计算复杂度,仿真结果表明,在低信噪比情况下,PNN的分类成功率要高于softmax分类器,但PNN的计算复杂度也更高。然后,我们基于粗分类的结果重新对信号进行聚焦,并利用多层分类器和线性插值实现无网格的DOA估计,最后,将基于粗分类的神经网络方法和传统的旋转信号子空间(RSS)方法进行对比,仿真结果表明,神经网络方法具有更高的估计精度。