往高分辨率阵列信号处理中,通常假设信源为点源。而在实际应用场景中,例如多径环境下的无线通信、信源与探测平台距离较近时的声纳探测以及低仰角雷达闷标追踪等,大多时候信源与阵列之间存在着多径散射现象。这时,分布源模型能更加符合实际地描述信源特征。虽然当前的分布源参数估计算法能够达到一般条件下的测向精度要求,但是,面临着低信噪比、有限快拍数和工程实现等苛刻要求,这些算法的参数估计性能急需改善。尽管如此,实际传输中的信号往往具备某些已知的特性,如非圆性和空域稀疏性等。利用信号的这些特性提高分布源参数估计方法的性能,对于广大研究者而言,这既是新的研究方向又是挑战。因此,本论文着重从信号非圆性和空域稀疏性两个方面对分布源参数估计问题进行探索和研究,主要贡献和创新内容如下：1.基于信号的非圆特性,提出了两种一维分布源参数估计新方法。第一种算法针对相干分布式非圆信号,建立了参数估计模型,然后依据波束形成思想得到中心DOA和角度扩展的代价函数。在最小化该代价函数过程中,将三维谱搜索简化为二维谱搜索。这样处理有效地减小了新算法的计算量。该算法还拥有较好的中心DOA和角度扩展估计性能,能够在信源数大于阵元数的情况下对中心DOA和角度扩展进行估计。由于考虑了角度扩展的影响,该算法在大角度扩展的情况下,也能对中心DOA和角度扩展进行有效地估计。第二种算法针对非相干分布式非圆信号,利用增广互协方差矩阵对中心DOA进行估计。该算法依据信号的非圆特性对两个靠得很近的均匀直线阵列的接收数据进行扩展,对增广互协方差矩阵进行奇异值分解,利用大奇异值对应的左右奇异向量所张成的子空间与阵列广义导向矢量所张成的子空间相同的关系,获得两组中心DOA的估计值。对这两组中心DOA估计值进行关联之后,做平滑处理,最终得到估计的中心DOA。与传统算法相比,该算法在低信噪比下具有更好的估计性能。2.针对二维相干分布式非圆信号的参数估计问题,提出了三种低计算复杂度算法。考虑信源入射到双平行均匀线性阵列的场景,第一种算法利用信号的非圆特性,将接收数据及其共轭构造成增广接收数据矩阵,进而得到增广协方差矩阵；然后利用选择矩阵建立了两组增广导向矢量的近似旋转不变关系,有效地避免了非圆相位的影响。最后,依据ESPRIT思想,所提算法完成了中心方位角和中心仰角的估计。与已有ESPRIT类算法相比,该算法在低信噪比和阵元数量少的情况下,都具有较好的估计性能。与第一种算法不同,第二种算法针对的是信源入射到L形阵列的场景,而且所构造的二阶统计量为增广互协方差矩阵,但该算法仍是一种ESPRIT类算法。与现有ESPRIT类方法相比,虽然计算复杂度相当,但由于互协方差矩阵的引入,所提出的算法对加性高斯白噪声不敏感,因而其参数估计精度更高。第三种算法也是基于L形阵列结构,利用改进的传播算子方法分别单独地对二维柏十分布式非圆信号的参数进行估计；之后,通过搜索代价函数的最小值完成中心方位角和中心俯仰角的准确配对。所提出的算法利用分布源的非圆性,不仅改善了参数估计的性能,而且不需要样本协方差估计及其特征值分解,具有较低的计算复杂度。3.基于非相干分布源模型和信号的空域稀疏性,引入稀疏贝叶斯学习方法,对作相干分布源提出了两种参数估计算法。第一一种算法给出了一种新的非相干分布源稀疏表示模型。所提算法在该模型中考虑了样本之间的时域相关性,采用块稀疏贝叶斯学习方法完成了稀疏矩阵的重构,进而实现了分布源中心DOA的估计。但该算法计算复杂度相对较大,并且其参数估计性能受到空域角度采样伴随的㈣有偏差的限制。第二种算法也给出了一种新的含有角度量化误差和角度扩展的稀疏表示模型。新算法利用贝叶斯压缩感知方法完成稀疏矩阵的重构,然后获得分布源中心DOA的估计。所提出的两种算法在低信噪比和有限快拍数的条件下,比传统的分布源参数估计算法的参数估计性能更好、分辨率更高。4.联合信号的非圆性和空域稀疏性,对相干分布源和非相干分布源各提出了一种参数估计算法。对于相干分布源,提出了一种基于StOMP算法的中心DOA估计算法。该算法利用非圆信号的特性,联合阵列输出协方差矩阵和椭圆协方差矩阵,将它们分别矢量化之后构建过完备稀疏表示模型,进而将分布源参数估计问题转化成为一个稀疏重构问题。然后通过求解稀疏重构问题获得中心DOA的估计。该算法适用于各种非圆率的非圆信号,具有较好的信噪比性能。另外,对于非相干分布源,利用信号的非圆特性增加阵列接收数据的维数,建立了一个包含角度扩展和角度量化误差的参数化稀疏表示模型；然后,基于此模型和GAMP方法,提出了一种无需网格重分的中心DOA估计算法。所提算法的计算复杂度较低,而且可以获得较好的中心DOA估计性能。