本文以稀疏重构和水声阵列信号处理为核心,以信号稀疏为前提,以高精度波达方向(Direction of Arrival,DOA)估计为目的,研究稀疏重构算法。本文基于稀疏贝叶斯学习(sparse Bayesian learning,SBL)理论,仿真研究算法对水声窄带声压信号,水声宽带声压信号和水声宽带矢量信号的处理性能。在低信噪比(signal-to-noise ratio,SNR),少量信号样本条件下,在处理水声信号时,SBL算法显现出优于常规波束形成(Conventional Beam-forming,CBF)算法和已有的压缩感知稀疏重构算法的性能,因此,本文展开以下研究。首先,重点介绍SBL理论,并介绍l1范数正则化方法和SBL算法。通过仿真考察各算法在收敛性,计算效率和角度估计精度的性能。仿真结果表明,SBL算法相对M-SBL算法收敛性能更好。相比于l1范数正则化方法,SBL算法有较高的抗噪声能力,更好的运算效率。随后,研究算法在水声阵列信号处理的应用,分析SBL算法和l1范数正则化方法对声压信号和矢量信号的DOA估计性能。通过仿真实验对比CBF算法和SBL算法对矢量信号估计精度。仿真分析算法对窄带声压信号,窄带相干信号,宽带声压信号和矢量信号的DOA估计性能。研究SNR和快拍数对CBF算法和稀疏重构算法的DOA估计精度和计算效率的影响。仿真结果表明,在低信噪比和小快拍下,相比于CBF算法和l1范数正则化方法,SBL算法能够对信号进行有效的DOA估计。最后,对真实水声环境下的外场水下试验数据和水池声呐成像试验数据进行处理,考察算法性能。对宽带矢量信号处理的结果展示了在相同的快拍数下,SBL算法可以以更高的精度估计出试验数据的来波方向。真实的试验数据处理的结果表明,SBL算法更加有利于处理实时的信号。对水池的声呐成像数据进行处理,结果表明,相比于CBF算法,SBL算法可以通过成像结果清楚的分辨出铁杆成像,可以有效分辨出铁杆本身和水面和池壁散射回波,SBL算法估计的结果是稀疏的,可通过试验处理结果直接判断出铁杆位置。