水声信道具有显著的稀疏特性,而传统的信道估计方法没有对这一特性加以利用,降低了水声信道估计性能。本论文研究基于稀疏贝叶斯学习的水声信道估计方法,提升水声信道估计性能。针对稀疏贝叶斯学习算法求解大规模问题时复杂度较高的缺点,引入了广义近似消息传递算法,在基本不影响性能的条件下降低了计算复杂度。传统水声信道估计算法假设噪声服从高斯分布,在脉冲噪声等非高斯噪声环境下性能大幅下降,本论文进一步研究了稀疏贝叶斯学习算法在脉冲噪声环境下水声信道估计中的应用。本论文首先研究了基于稀疏贝叶斯学习的稀疏水声信道估计方法,该方法以分层概率模型为基础,对稀疏信道赋予零均值高斯独立同分布的先验信息,通过期望最大化算法迭代更新先验分布中未知的超参数,直到收敛得到信道的最大后验估计。仿真分析与试验数据处理验证了该算法相对于传统信道估计方法和常见压缩感知方法的性能优势。稀疏贝叶斯学习在迭代更新超参数时存在矩阵求逆运算,使得该方法在面对大规模问题时复杂度较高,针对这一缺陷,本文引入广义近似消息传递-稀疏贝叶斯学习算法,其中广义近似消息传递算法根据因子图建立贝叶斯网络模型,利用两个标量估计函数将向量计算转化为标量计算。使用广义近似消息传递算法代替稀疏贝叶斯学习算法中期望计算的过程,能够大幅降低算法的计算复杂度。仿真分析和试验数据处理共同验证了该算法与稀疏贝叶斯学习算法性能相近,复杂度降低。本文最后一部分重点研究了脉冲噪声环境下的脉冲干扰抑制与稀疏信道估计方法。首先,本文结合对称Alpha-稳定分布对脉冲噪声模型进行仿真,然后利用北极冰下脉冲噪声数据统计分析结果验证了该模型的合理性。在时域上,脉冲噪声显现出稀疏性,因此可以将脉冲噪声作为稀疏信号进行估计,然后从时域接收信号中将估计得到的脉冲噪声减去以抑制脉冲噪声干扰。以此为基础,本文将稀疏贝叶斯学习算法应用于脉冲噪声估计中。仿真分析验证了所使用的算法对脉冲噪声抑制效果明显,提升了信道估计性能。