波达方向（Direction of Arrival,DOA）估计是阵列信号处理领域中的一大问题。毫米波因带宽宽、波束窄、分辨率高等优点在通信与雷达领域被广泛应用。但是,由于毫米波频率高、波长短,传统的干涉仪测向、空间谱估计测向及幅度法测向等测向方法很难应用于宽空域测向。此外在实际应用过程中,由于受到通道幅相误差、天线位置误差、天线方向图不一致性等各种系统误差的影响,传统测向方法测向精度会有所下降。围绕高精度毫米波宽空域测向问题,本文利用深度学习在非线性拟合问题上强大的学习能力,建立了一个基于深度学习的端到端测向网络。首先,通过仿真以及样机实验收集相关矩阵,并对该矩阵进行变换得到网络的原始序列输出。网络部分基于全连接网络进行构建,含有大量隐含神经元的紧凑的网络结构,进一步增强网络的表征力,网络输出经过特定非负激活函数,得到最终的角度预测值。在网络训练时,固定训练和测试集的数据比例为3:1,等间隔抽取测试数据,采用均方根传递（Root Mean Square Prop,RMSProp）优化方法作为优化器来最小化损失函数,配合梯度反向传播来优化整个网络。首先,利用仿真数据进行了初步的可行性验证,结果表明网络能够对相关矩阵中的角度属性进行有效拟合。然后,进一步通过对样机实验数据进行了可行性验证,并探究不同输入的相关矩阵对神经网络拟合角度的影响和相关矩阵的功率对网络拟合的影响程度。最后,通过传统方法中较为有代表性的多重信号分类（Multiple Signal Classification,MUSIC）算法和基于深度学习方法进行全方位的比较,为了便于说明二者差距,对特定组别的相关矩阵也进行了更为细致的对比分析。结果表明,无论是在低信噪比的条件下,还是不同类型的相关矩阵输入下,基于深度学习的方法都实现了对相关矩阵角度的更稳定与更高精度的拟合。