1 DOA估计历史背景波达方向(DOA)估计是智能天线重要的技术之一，而且也是智能天线中另外一个重要技术波束形成(Beam-Forming，BF)技术的基石[2]。

早期的基于阵列DOA估计算法是常规波束形成(Conventional Beamforming，CBF)法，这种方法是传统时域傅里叶谱估计方法在空域中简单拓展形式。许多时域谱分析估计方法都被推广成为空域谱估计方法。例如：Pisarenko的谐波分析法，Burg的最大熵法(The Maximum Entropy Method, MEM)，Capon的最小方差法(Minimum Variance algorithm, MVM)等[3-6]。早期的DOA估计由于受阵元数目、阵列孔径的限制，分辨力比较低下。即使是Capon法、最大熵法也只是在一定程度上突破这些限制。86106

在70年代末，空间谱估计研究又进入一个新的台阶，以多重信号分类(Multiple Signal Classification, MUSIC)算法为代表，现代超分辨领域测向技术得到快速发展[7]。MUSIC估计算法由R。O。Schmit提出，该算法最大限度突破阵列孔径对传统算法估计限制，极大提高DOA估计分辨力，成为研究历史上的一个重要的里程碑。不仅如此，MUSIC算法也促进了子空间分解类算法的兴起。除MUSIC算法外，基于子空间算法的形成还主要得益于Roy等提出的借助旋转不变技术的信号参数估计(Estimating Signal Parameter via Rotational Invariance Techniques, ESPRIT)算法和Kumaresan、Tufts提出的最小范数法[8,9]。

在80年代末，又出现了以最大似然(Maximum Likelihood, ML)算法、加权子空间拟合(Weighted Subspace Fitting, WSF)算法、多维MUSIC (Multiple Dimensions MUSIC , MD-MUSIC)算法等为代表的子空间拟合类算法。虽然这类算法在运算量上比较大，但在性能上要比之前的空间分解类算法优越,尤其在处理相干信号源和处理低信噪比等问题上，子空间拟合算法能够进行有效估计。

2 DOA估计发展现状

近些年来，DOA估计技术不断成熟，人们广泛将DOA估计应用到实际生活中。现代的信息处理理论不断发展和完善，高阶累计量、时频分析、循环平稳信号分析处理都成为人们研究的热点问题。

实际中噪声经常是有色噪声，而之前有关DOA估计算法主要有传统法、最大似然法、子空间法等等仅仅适用在高斯白噪声环境中。为此有关学者尝试采用高阶累计量来解决这些影响，这也使得许多高阶累计量DOA估计算法出现，后来有学者又把循环统计量相关知识应用上去，又出现高阶循环统计量算法。

在实际应用环境中,由于存在多径传播等因素,信号源经常都是相关的或者相干的,对于之前的DOA估计算法,不能对相干信号源进行有效估计。如何实现相干信号源有效的DOA估计成为谱估计的热点问题。目前一般采用空间平滑技术来处理相干信号源，但这种算法缺陷也很明显，就是牺牲有效阵元数，应用有局限性，在低噪声比情况下效果较差。在低噪声情况下可以借助Toeplitz算法，但估计精度有所降低。

综上，研究DOA估计算法具体还要看具体的环境背景下，设定具体的条件，才可以提出具有实际意义的算法。随着估计算法技术的不断发展与完善，现代的DOA估计技术将会应用在更广阔的环境背景下。