DOA(Direction-Of-Arrival,DOA)估计是阵列信号处理领域的基本问题,在无线通信、雷达、声纳、地震勘探等多个领域都受到了广泛的关注。在实际场景中,二维(Two-Dimensional,2D)DOA估计能更好地刻画三维空间中目标源信号的波达角方向。有很多二维阵列,但L型阵列因其结构简单、计算复杂度低和估计性能好得到了学者们的青睐。本文基于L型阵列,充分挖掘目标DOAs在二维角度域的稀疏特性,建立更加精确的L型阵列接收模型并设计相应的二维DOA估计方法,旨在获得更好的波达方向估计性能。论文针对离散角度域所带来的阵列接收模型拟合误差问题,分别研究了基于稀疏贝叶斯学习和无网格稀疏的L型阵列DOA估计方法。论文的主要研究成果如下:1、针对L型阵列下,针对基于稀疏表示的二维DOA估计阵列模型字典基不匹配的问题,本文充分考虑了均匀离散网格所带来的网格偏移量,提出了一种L型阵列的网格自适应模型,并提出了网格自适应的稀疏贝叶斯(Grid Adaptive Sparse Bayesian Learning,GASBL)二维DOA估计方法。该方法首先通过层级建模,进而在贝叶斯学习框架下实现二维DOA估计,并完成仰角和方位角的自动配对。仿真结果表明,本文所提的二维DOA估计方法GASBL能够实现波达角的更加精确的估计,且性能显著优于现有的DOA估计方法。2、针对角度域离散化所导致的接收模型误差问题,本文研究了能够直接在连续角度域进行DOA估计的无网格稀疏方法。为了克服网格划分所带来的模型拟合误差,我们将二维DOA视为二维角度域连续空间上的稀疏参数,建立了由稀疏参数表示的L型阵列接收模型,并提出了基于互相关矩阵和稀疏参数的无网格方法CCM-SPA。该方法先分别估计子阵列的DOA,然后根据互相关矩阵完成角度匹配。仿真结果表明,本文所提方法能够获得更好的DOA估计性能,不仅适用于均匀L型阵列(Uniform L-shape Array,ULA),还适用于稀疏 L 型阵列(Sparse L-shape Array,SLA)。