波达方向（Direction Of Arrival,DOA）定位技术已经被广泛应用在电子、无线通信等领域。目前大部分经典的DOA估计算法都需要在信源数目确定的情况下进行,信源数目的估计效果直接影响着DOA的性能,故准确的信源数目估计是DOA估计的前提。然而现在大多数信源数目估计算法都需要在采样快拍数较大的条件下才能实现,在小快拍数下算法性能急剧降低甚至可能会出现失效的情况,但是现实环境中一般很难保证信号的采样快拍数足够大。想在实际环境中实现信源数目估计,算法必须能在色噪声和信噪比较低的环境下仍有较好的估计性能。为了改善这些场景下的信源数目估计问题,本文提出了一种基于Stacking集成学习的信源数目估计方法,利用希尔伯特黄变换（Hilbert-huang Transform,HHT）和加权盖尔圆准则（Weighted Geschgorin Disk Estimator,WGDE）对信号进行特征提取,Stacking集成学习模型整合XGBoost、Light GBM及BP神经网络作为三个并行的初级模型,并将Logistic Regression模型作为次级模型,最终得到基于Stacking集成学习的信源数目估计模型XLN-L-Stacking。论文的研究内容如下所示:1、介绍了本文的研究背景、研究目的及其主要研究意义,并总结了国内外信源数目估计的研究现状。2、简要介绍了阵列信号的相关知识,包括阵列模型、阵列信号模型。对本文的特征提取方法HHT和数据特征增强方法WGDE的原理进行介绍。然后重点介绍了本文所用到的Stacking集成学习算法以及其他两种集成学习方式的结构和理论知识,还对构建XLN-L-Stacking的子模型进行介绍。3、重点介绍了本文建模流程,利用HHT提取阵列圆阵上各阵元位置不同而产生的相位差异信息作基本特征。另外,通过WGDE提取信号的增广盖尔圆半径、增广盖尔圆心值和增广加权盖尔圆半径值作高维特征。然后将特征值带入基于Stacking集成学习模型中训练,最后利用训练好的模型对信号信源数目进行估计。4、通过实验验证本文模型优于各初级模型以及其他集成方式的模型。然后利用理论数据和射频消音实验室数据验证本文比其他四种信源数目估计算法具有更好的估计性能,对于不同的快拍数、信噪比以及入射角等条件都有较好的鲁棒性。最后通过实验验证HHT与WGDE提取的特征相结合可以更好地提取信号中的特征信息,提升算法估计精度。