随着汽车智能化的发展和无人驾驶技术的快速兴起,车载雷达在智能汽车中占据着重要地位,发挥着不可或缺的作用。车载MIMO（Multiple input multiple output,多输入多输出）毫米波雷达凭借其体积小、造价低、适应性强等特点,成为了必不可少的车载传感器之一。波达方向（Direction of Arrival,DOA）估计是车载MIMO毫米波雷达目标定位中的重要一环。本文针对现有车载MIMO毫米波雷达DOA估计方法中所存在的问题,研究了相应的改进方法,大大提高了车载MIMO毫米波雷达DOA估计的精度。首先,针对均匀阵列的阵元间距限制等问题,提出了一种基于展开互质MIMO雷达的非圆DOA估计方法;然后,针对经典MUSIC算法密集源分辨率低以及相干源估计性能差等问题,提出了一种基于深度学习的DOA估计方法。本文主要研究内容如下:1.首先对国内外车载毫米波雷达DOA估计技术进行总结,然后分析了车载毫米波雷达的工作原理,最后研究了车载MIMO毫米波雷达的经典DOA估计方法,并对经典DOA方法进行了总结分析。2.针对均匀阵列的阵元间距限制,以及传统互质阵列DOA估计方法存在的自由度低、阵列孔径小、相位模糊等问题,提出了一种基于展开互质MIMO雷达的非圆DOA估计方法。首先,MIMO雷达的天线阵列采用展开互质阵列模型,在实际阵元数相同的情况下获得了更大的虚拟阵列;接着利用非圆性重构天线阵列的接收矩阵,进一步扩展接收矩阵;随后将重构后的二维DOA估计问题转化为优化问题,并利用约束最小方差重构该优化问题,再利用拉格朗日乘数构造代价函数,从而降低复杂度,并利用噪声特征值的幂级数修正噪声子空间存在的误差,提高精度;最后推导了所提方法的无相位模糊问题。3.针对传统DOA方法分辨率低,以及无法定位相干源问题,提出了一种基于深度学习的DOA估计方法,将深度学习与经典多重信号分类（Multiple Signal Classification,MUSIC）算法相结合。首先利用递归神经网络对MUSIC算法中的协方差矩阵进行重构,避免数据处理过程中的数据损失,并将其应用到空间谱估计中,将不同DOA分区域,然后再通过多个卷积神经网络进行学习,将学习到的空间谱映射到不同DOA估计中,从而克服了经典MUSIC算法存在的不足,成功估计了相干信号源,并且具有更高的角度分辨率。4.完成了真实场景的试验。基于AWR1642雷达进行真实数据的测量与采集,并利用真实场景所采集到的数据对本文所提DOA估计方法进行了实测数据验证,说明了所提方法的有效性。综上,本文主要针对车载MIMO毫米波雷达的DOA估计问题进行研究,从不同的角度解决了经典MUSIC算法阵元间距小、分辨率低、以及无法定位相干源等问题,弥补了基于车载MIMO毫米波雷达的DOA估计上的一些不足之处。