自适应鲁棒波束形成是阵列信号处理领域的一个重要的问题。现有的鲁棒波束形成算法主要分为特征子空间算法，对角加载算法，最坏情况最优化算法，协方差矩阵重构算法和智能波束形成算法等。对角加载算法作为一种性能稳定，算法结构简单，计算量小的传统鲁棒波束形成算法，有着广泛的应用。该算法的重点在于计算加载因子。本文提出两种对角加载因子计算方法：基于高斯分布的对角加载因子计算方法和基于概率约束的对角加载因子计算方法。基于高斯分布的计算方法通过改进GLC对角加载算法，有效地降低了加载因子的计算量，并且性能与GLC对角加载算法基本一致。基于概率约束的计算方法结合了对角加载算法和概率约束最坏情况最优化算法的优点，通过概率约束来确定对角加载因子。该算法需要设定概率参数，仿真表明，算法对该参数具有很强的鲁棒性，可以将该参数固定（如0.2）。进一步仿真表明，该算法性能明显优于现有对角加载算法和特征子空间算法。在小快拍采样数据下，协方差矩阵估计误差会导致SCB算法性能急剧下降。已有分析表明，小快拍采样协方差矩阵的信号子空间和噪声子空间会发生交替，这是性能下降的关键原因。本文提出了互相关分析模型，对SCB算法性能下降原因进行深入研究。通过该模型，成功地解释了现有鲁棒算法的鲁棒原理，并推导出现有算法的理论性能，结果与已有文献结论一致。本文最后提出了基于协方差矩阵参数化估计的波束形成算法，该算法通过协方差矩阵的参数化估计，有效地避免了采样协方差矩阵中的互相关项。从信息角度分析，该算法充分利用了空间阵列信号的稀疏性和低维性，得到了更为准确协方差矩阵估计。仿真表明，该算法性能几乎接近于理论最优性能，且该算法计算量远小于有相同性能的协方差矩阵重构算法，甚至低于计算量较低的对角加载算法。