随着阵列信号处理技术的发展,它在野外通信、医学检测、地震勘探和图像处理等信息领域中应用的越来越广泛,其中对信号的波达方向(Direction-Of-Arrial,DOA)进行估计又是这些领域研究的热点。目前,虽然已经有了很多超分辨高精度算法被用于DOA估计中,但是这些超分辨算法性能得到保证的前提是已知正确的信源数,当信源数目错误时,这些算法的估计性能将会受到影响,因此对信号中包含的确切信源数目进行估计是十分有必要的、对阵列信号入射的信源数进行估计已成为阵列信号处理中最基本的研究任务之一。目前,虽然有很多学者提出了各自的信源数目估计算法,但仔细研究后可以发现这些算法为了能估计出尽量多的信源数,都是选用较多的阵列天线数去搭建信号模型,而在实际应用中布置越多的天线数不仅会造成较大的干扰信号,而且也难以搭建阵列模型,所以本文提出了一种基于多重特征融合的信源数估计方法,该方法能在尽量少的天线数下去估计尽量多的信源数。在了解了相关的信源数目估计算法后,本文以加权盖尔圆准则(Weighted Gerschgorin Disk Estimation,WGDE)为理论基础再结合支持向量机(Support Vector Machine,SVM)来设计算法。本文主要探讨了以下几个方面:1、首先了解阵列信号处理的背景知识,以及信源数估计算法的研究现状。2、介绍本文所使用的阵列信号模型,再对几种典型的信源估计算法,包括:假设检验法、基于信息论准则的信源估计算法、经对角加载处理后信源估计算法以及盖尔圆(Gerschgorin Disk Estimation,GDE)算法进行了分析,分别在白噪声和色噪声下对经典的信源估计算法进行了理论数据实验仿真。除此之外,还介绍了一类基于模式分类的信源估计算法。3、因为本文算法是以支持向量机、加权盖尔圆准则这两种算法为理论基础,所以对这两种算法分别做了分析,再介绍了一种基于支持向量机的用于训练多分类器数学模型的软件包Lib SVM。4、重点介绍了本文算法拟使用的多重特征、多分类器数学模型的训练过程以及本文提出的信源估计算法的整个设计流程:首先利用天线数为M的均匀圆阵(Uniform Circular Array,UCA)(以下简称:M-UCA)阵列去接受相互独立入射的远场窄带高斯信号,再对阵列的接收信号作加权盖尔圆准则变换,从中同时获取能用于描述信源个数的增广盖尔圆心值、增广盖尔圆半径值和增广加权盖尔圆半径值,以这三种值作为估计信源的特征参数,将他们融合成高维特征向量,标记后代入Lib SVM中训练多分类器数学模型。最后通过理论数据仿真和射频消音实验室数据仿真验证按照本文方法训练得到的分类器数学模型对信源数的估计性能。由实验结果得到:当阵列信号的入射角、信噪比、快拍数改变时,该数学模型能较好的估计出信源数,而且当信源数比阵列天线数少一个时也能有效地估计地估计出信源数。