空间谱估计是阵列信号处理的一个重要分支,广泛应用于雷达、通信等各个领域。传统的空间谱估计算法是模型驱动的,即根据预先建立的函数模型与接收信号之间的匹配情况对空域参数进行估计。然而当阵列流形存在误差时,模型与数据的匹配失效,使得该类算法的性能明显降低。为了解决这个问题,本文运用机器学习方法构建网络模型直接学习接收信号与空域参数之间的非线性关系,实现误差条件下的波达方向估计。本文围绕空间谱估计问题,结合机器学习,开展了阵列误差条件下的波达方向估计研究,具体研究内容如下:（1）构建了不同误差、信噪比、训练样本数量条件下的阵列接收信号数据集。首先,基于阵列模型生成包含通道幅相不一致、阵元位置偏离和互耦三种误差的阵列导向矢量;然后,根据阵列导向矢量和随机来向的空域信号生成不同信噪比、不同误差大小的接收信号;最后,对接收信号进行特征提取和压缩处理,并对随机产生的来向角进行标定,得到同时包含多种阵列误差的接收信号数据集,为后文中基于机器学习的网络模型提供完备的数据样本集。（2）设计了误差条件下基于神经网络的波达方向估计分类方案和拟合方案。在分类方案中,通过对有效空域角度范围实施区域划分将测向问题转换为多分类问题,并使用线性插值法消除分类模型的网格化影响。在拟合方案中,基于来向角三角函数的连续性和有界性,网络模型采用分别表征来向角正、余弦值的双节点输出,直接获得包含来向角参数的输出信息,避免峰值搜索。仿真结果表明分类估计方法性能不受误差大小的影响,且能实现稳定、高精度的角度预测。相比于分类方法,提出的拟合估计方法收敛速度更快,估计准确率更高,性能更稳定。（3）提出了误差条件下基于复卷积网络、宽浅规模复残差网络和窄深规模复残差网络的三种波达方向估计方案。针对接收信号相位信息利用率低的问题,首先,搭建了以复值协方差矩阵为输入的复卷积网络框架用于来向角估计。然后,利用不同的感受野和网络深度分别设计了宽浅、窄深两种规模的复残差网络模型,增强了复卷积网络的表征能力。仿真结果表明,当信噪比达到一定门限时,复卷积网络的估计准确率不受阵列误差大小的影响,且能快速收敛至全局最优。宽浅规模的复残差网络在阵列误差较大时,估计准确率稍有降低,但始终能保持较高的值。窄深规模的复残差网络估计性能明显优于宽浅规模的复残差网络,且不受阵列误差大小的影响,在部分情况下,相比于实数残差网络估计准确率更高。