来波方向(Direction of Arrival,DOA)估计是阵列信号处理领域的一个重要研究方向。在过去的二十多年里,关于DOA估计算法的研究一直是各界关注的重点,其理论的研究成果也被广泛地应用于声纳,雷达,辐射源定位,军事通信等很多领域。纵览当前已经公开的DOA估计算法,其中一部分是基于相位,时差等物理信息,另一部分是基于功率或幅度等物理信息。后者可以被统称为基于接收信号强度(Received Signal Strength,RSS)的DOA估计方法。此类算法因具有不依赖紧密的时间同步以及较高的采样率等低复杂度的优势,有望成为未来测向算法发展的主要动力。虽然目前有关的研究相对较少且存在一些挑战,但随着新技术和新理论的出现,基于RSS的DOA估计算法将呈现出更多的可能性和解决思路。本文在分析和总结国内外相关领域最新研究成果的基础上,结合压缩感知理论和深度学习的思想,从信号源辐射模型的角度,对基于RSS的DOA估计算法展开了研究。本文的主要工作如下:首先,本文介绍了压缩感知、深度学习以及卷积神经网络的理论基础,并对理论中的主要研究内容进行有目的性的分析,结合实际的应用案例展开讨论,指出了它们的适用环境与利弊,为后续的研究工作做出铺垫。其次,本文围绕着天线辐射模型的测量过程展开了研究。针对现有测量方法复杂度高,效率低的现象,本文引入了压缩感知理论,提出一种基于压缩感知的天线辐射模型重构算法,以减少测量过程所需的采样点数。此外,为克服随机测量矩阵在实际应用中不易硬件实现的问题,本文还设计了一种基于m-序列的确定性测量矩阵构造方法。通过仿真实验对比验证,提出的算法能够利用占数据总量50%的采样值重构出完整的天线辐射模型,而且结果逼近随机测量矩阵的重构效果。最后,针对目前基于RSS的DOA估计方法精度低,应用范围小的问题,本文设计了一种基于卷积神经网络和RSS的DOA估计方法。通过分析信号源的辐射模型与传感器接收信号强度之间的关系,建立了基于卷积神经网络的DOA分类模型,实现了在远距离或室外环境下高精度DOA预测,为基于RSS的DOA估计研究提供了更多参考。