宽带信号DOA估计是阵列信号处理领域的一个重要组成部分。在基于子空间的宽带DOA估计算法中,在求聚焦矩阵时需要对入射信号的角度进行预估计,而预估计结果与真实信号方向的接近程度对最终测向结果有很大的影响,粗糙的角度预估计将导致估计的性能大大下降。因此分析和寻找不需要角度预估计的宽带DOA估计算法是值得研究的一个重要问题。本论文主要对宽带信号DOA估计方法中的无需预估角方法进行了较深入的分析和研究,并进行了大量的仿真,以验证所提出算法的有效性。论文的第二部分介绍了DOA估计的窄带和宽带信号模型以及一些基本理论。第三部分,介绍了DOA估计的非相干类方法和相干类无需预估角的方法。对于非相干类方法主要介绍了IMUSIC和TOPS方法。仿真结果表明,IMUSIC方法比TOPS方法在各个方面都有更好的估计性能。对于相干类无需预估角的方法,详细介绍了CSM、RSS、BI-CSM和R-CSM方法,并对各个方法进行了比较分析。分析和仿真结果表明:RSS的性能最为稳定。要使R-CSM的估计性能得到稳定,在低信噪比时,需要迭代5步以上,在中等及以上的信噪比情况下,至少需要迭代3步。另外,还就RSS方法在宽带阵列信道化接收机中的应用进行了仿真试验,并与窄带DOA估计方法进行了比较。仿真表明:将宽带DOA估计方法应用于宽带阵列信道化接收机中是一个有效的方法。它不需要对每一个存在信号的子信道进行一次测向,而只需对它们进行一次共同的测向。在论文的第四部分介绍了将径向基函数神经网络应用于窄带DOA估计和宽带DOA估计中。对于窄带DOA估计,提出了两种以不同变量作为径向基函数神经网络输入的DOA估计方法。并将两种方法同MUSIC方法进行了比较。以协方差矩阵元素作为输入的方法在低信噪比的情况下,估计偏差较大,性能远远差于以信号子空间作为输入的方法和MUSIC方法,但是,由于不需要求解信号子空间和谱峰搜索运算,以协方差矩阵元素作为输入的方法的运算时间是最快的。对于宽带DOA估计,提出了两种基于径向基函数神经网络的方法。第一种方法是将RSS方法与径向基函数神经网络相结合提出RSS-RBFNN,该方法先将各个频点的数据聚焦到参考频点上,然后计算出参考频点上的协方差矩阵,最后协方差矩阵元素作为输入的径向基函数神经网络计算出DOA估计值。在相同的信噪比下,宽带的RSS-RBFNN的估计性能要好于窄带的RBFNN。另一种方法是根据RSS的估计性能随着聚焦区域的缩小而提高的性质,提出了基于概率神经网络(PNN)的分区宽带DOA估计方法PNN-RSS方法。概率神经网络具有很强的容错能力,在信噪比小于5dB的情况下,区间判断成功概率就几乎已经达到了100%。PNN-RSS算法比RSS算法的估计标准差有所减少,同时分辨能力也得到了提高。由于PNN-RSS算法具有并行运算和扫描区域小的特点,也使得PNN-RSS算法比RSS算法运算时间减少了。最后对所作工作进行了总结。