阵列信号处理的基本目的是在时间和空间上对信号进行采样和处理,更加充分的开发信号中蕴含的信息,从而有效的抑制干扰,提高系统的效率。自适应波束形成技术是阵列信号处理的一个重要研究方向,由于在实际应用中,常常存在着各种误差和非理想因素,其中包括信号和环境因素,系统因素以及算法本身的不足,这些都将严重影响系统的性能。因此,提高自适应波束形成算法的稳健性一直是学者们研究的热点。众所周知,对角载入算法是一种简单有效的自适应波束形成算法,但是其对角载入值仅能根据经验来确定,至今没有一个严格的求解方法。本文基于广义线性组合(GLC,General Linear Combination)技术,提出了一种根据阵列接收数据计算对角载入值的算法。该算法采用阵列先验知识,通过修正样本协方差矩阵得到对角载入值的闭式解,并利用最陡下降法迭代求解加权矢量,避免了协方差矩阵的求逆运算。仿真结果表明,所提算法可以有效抑制信号方向矢量偏差对系统性能的影响,计算量低,系统输出信干噪比接近最优值。在信号方向矢量存在偏差以及训练样本数目较少时,约束最小方差(CLMS)算法会出现收敛速度变慢以及输出性能下降的问题。为了改善算法性能,学者们提出了最差性能优化的CLMS算法。虽然该算法对方向矢量偏差有较好的鲁棒性,但是其Lagrange乘子的计算过程较为复杂,导致算法的计算复杂度增大；同时在实际应用中,由于训练样本数的不足,容易导致协方差矩阵出现失配,严重影响了算法性能。于是,本文提出了基于广义线性组合的最差性能优化CLMS算法。采用GLC技术修正样本协方差矩阵,降低噪声特征值的扩散度,从而获得算法的最优对角载入值。通过建立Lagrange乘子与对角载入因子的关系,获得Lagrange乘子的最优估计值。针对样本协方差矩阵失配的情况,基于GLC的修正协方差矩阵法得到加权矢量的具体表达式,给出Lagrange乘子的取值范围,并证明了解的唯一性。通过仿真分析,所提算法收敛速度快,性能稳定；在有效降低最差性能优化CLMS算法计算复杂度的同时,保证了算法对信号方向矢量偏差以及协方差矩阵失配的鲁棒性,系统性能接近最优。