波达方向估计(Direction of Arrival,DOA)作为阵列信号处理中的一个核心问题,近年来得到学者们的广泛关注。平行因子(Parallel Factor,PARAFAC)分析是阵列信号DOA估计中常用的方法之一,该方法利用平行因子模型分解的唯一性,得到信号参数的估计。压缩感知(Compressed Sensing,CS)作为一套关于稀疏信号采集和恢复的新理论,已经在多个领域得到了广泛应用与发展,而将压缩感知理论与平行因子相结合,可以一定程度上降低平行因子方法的计算复杂度和数据存储容量。本文基于平行因子模型框架,研究阵列多参数估计低复杂度算法,包括将压缩感知理论分别与平行因子中的三线性模型、四线性模型以及线性相关平行因子(Parallel Profiles with Linear Dependencies,PARALIND)模型相结合,应用于不同的场景,以通过较低复杂度获得阵列接收信号的多参数估计,选题具有理论意义和应用价值。本文主要工作如下:(1)提出了一种声矢量阵列基于压缩三线性分解的二维DOA(Two-dimensional DOA,2DDOA)估计算法。该算法首先根据压缩感知理论,利用两个压缩矩阵对接收信号三线性模型进行压缩,在进行分解之后,直接从所得到的声矢量矩阵中得到信号2D-DOA的估计。所提算法适用于任意的声矢量阵列,其角度估计无需稀疏恢复过程,且能够得到自动配对的二维角度估计。借助信号模型的圧缩,该算法复杂度低于传统的三线性分解算法。其角度估计性能接近于三线性分解算法,同时优于声矢量阵列参数估计中的借助旋转不变性进行信号参数估计(Estimating Signal Parameters via Rotational Invariance Techniques,ESPRIT)算法和传播算子(Propagator Method,PM)。(2)提出了一种L型阵列中基于压缩感知三线性分解的2D-DOA与频率联合估计算法。该算法首先对阵列引入多级时延接收,并将接收信号构建为平行因子三线性模型,然后根据压缩感知理论,对该模型进行分块压缩,最后通过三线性分解和稀疏恢复得到信号2D-DOA与频率估计。借助分块压缩过程,所提算法降低了传统的三线性分解算法的复杂度,同时避免了二维角度稀疏恢复过程。该算法能得到配对的2D-DOA与频率估计,对于均匀L阵和非均匀L阵均适用。同时,其角度和频率估计性能接近于传统的三线性分解方法,并优于ESPRIT算法和PM。(3)提出了一种电磁矢量阵中基于压缩感知四线性分解的2D-DOA估计算法。该算法将压缩感知理论与平行因子四线性模型相结合,实现了电磁矢量阵信号2D-DOA的估计。该算法能够得到配对的二维角度估计,同时借助于压缩过程,降低了传统的四线性分解算法的复杂度并有效节约了数据存储空间。其角度估计性能接近于传统的四线性分解算法并优于ESPRIT算法,对于角度相隔较近的信源,该算法也能进行有效辨识与估计。(4)提出了一种均匀面阵中基于PARALIND分解的相干信号2D-DOA估计算法。该算法将压缩感知理论与PARALIND模型相结合,解决了面阵中相干信号的2D-DOA估计问题。借助压缩过程,该算法有效降低了的传统PARALIND算法的计算复杂度以及数据存储容量。同时所提算法能够得到自动配对的仰角和方位角估计,其角度估计性能接近于传统的PARALIND方法,并优于前后向平滑ESPRIT(Forward Backward Spatial Smoothing-ESPRIT,FBSS-ESPRIT)算法和FBSS-PM算法,对于角度相隔较近的相干信源,该算法也能进行有效辨识与估计。