波达方向（DOA）估计一直都是阵列信号处理领域的研究热点,并在雷达、移动通信、声纳、物探等领域有着广泛的应用。在实际环境中,相干信源的存在会导致基于子空间类的角度超分辨算法无法有效地估计出目标信号,并且阵列接收到的数据往往是有限长度,尤其对很多短时突发事件、快速运动目标或接收数据质量差的情况,可能仅有有限次或单次快拍数据可用,因此研究基于单快拍的相干信源DOA估计算法在实际应用中有重要意义。近年来深度学习技术飞速发展,以其强大的自适应性、处理非线性问题能力在信号处理领域应用越来越广泛,但在DOA估计方面研究相对较少。故本文从传统方法和深度学习方法两个层面研究了基于单快拍的相干信源DOA估计算法。具体工作概括如下:（1）为了充分利用阵列接收的单快拍数据信息,提出了基于加权空间平滑的单次快拍DOA估计算法。算法的核心思想是运用嵌套的空间平滑算法,对单次快拍数据构造的伪协方差矩阵进行预处理求得加权矩阵,通过加权求和方法同时实现信源间的解相干和波达方向估计,且较现有的单快拍DOA估计算法具有更高的测向性能。（2）针对低信噪比情况下,传统的单快拍DOA估计算法测角精度低的缺点,提出了基于单快拍的相干信号ESPRIT算法。算法的核心思想是直接利用一次快拍数据构造两个满足旋转不变性关系的Toeplitz矩阵,结合矩阵束ESPRIT算法原理只需通过一次特征值分解即可实现对入射信号的角度估计。该算法无需计算协方差矩阵,且相较于现有的单快拍ESPRIT算法提高了测角精度。（3）基于深度学习的DOA估计算法是数据驱动的。首先将波达方向估计问题转化为模式分类问题,建立由自动编码器与并行分类器级联组成的深度神经网络模型。其次在阵列接收信号模型上,考虑到DNN模型带来的高成本、高功耗以及高复杂性影响,引入1比特量化的思想,对阵列接收的单快拍数据进行1比特量化处理,提取阵列协方差矩阵的上三角阵元素的实部和虚部作为DNN网络的特征向量输入。最后利用预先构造的具有DOA标签的训练集对DNN模型进行训练。该DNN模型中的自动编码器可以对输入的特征向量进行降噪处理,通过多层分类器输出最终的角度估计结果。仿真实验表明,该算法有着更高的测角精度和更强的泛化能力。