波达方向（Direction of Arrival,DOA）估计在地面无线通信、卫星通信、雷达与声纳系统等很多领域中都得到了非常普遍的研究与应用。传统DOA估计算法一般可以分为两类。第一类是基于谱的方法,包括Bartlett、多重信号分类（Multiple Signal Classification,MUSIC）、Capon等。第二类是基于参数的方法,例如最大似然（Maximum Likelihood,ML）。这些传统的算法往往在性能或是计算复杂度上受到限制。卫星通信星上功率和处理能力受限,亟需一种估计精度高,同时复杂度合适的DOA估计算法。近年来,机器学习算法在通信信号处理领域得到了广泛的应用,在DOA估计方面也取得了一些喜人的成果,但该类算法需要严格保证训练样本和测试样本维持相同概率分布。卫星通信由于卫星运动以及工作环境复杂等因素,属于时变通信系统,信道环境动态变化,而迁移学习具有“灵活变通“的作用,这启示我们可以借助迁移学习进行卫星信号的DOA估计,本文正是基于这个思路展开研究。本文首先研究了卫星通信场景下半波长阵列间距的DOA估计问题。在分析了卫星信号DOA估计的特点之后,创造性地将迁移学习的思想引入这一问题,建立了卫星信号DOA估计的模型,并提出了基于测地线流形内核（Geodesic Flow Kernel,GFK）的DOA估计算法以及基于迁移联合匹配（Transfer Joint Matching,TJM）的DOA估计算法。数值仿真结果表明,在卫星通信信道条件下,所提算法均有很高的分辨率,并且可以自适应信噪比和快拍数的动态变化。接着探讨了源域样本信噪比的选择问题,目的在于使训练出的迁移学习模型能在卫星通信环境下取得更好的估计效果。由迁移学习算法建模的卫星信号DOA估计问题,其性能受到源域样本信噪比的影响。于是以源域信噪比值为优化参数,使用粒子群优化（Particle Swarm Optimization,PSO）模型来优化卫星信噪比条件下的DOA估计误差。仿真表明优化处理进一步提高了卫星信号的来波方向估计精度。最后本文进一步扩展研究如何优化阵列间距使得卫星信号DOA估计的精度更高。阵列间距会影响不同阵元接收信号的相对时延,进而影响辐射模式,这也会使得估计结果有所不同。通常让阵列间距等于半波长,然而这并不一定是最优结果。我们以阵列间距为优化参数,以最小化迁移学习模型在目标领域的平均估计误差为优化目标,将优化过程建模为磷虾群（Krill Herd,KH）优化。仿真表明,应用优化后的阵列间距将会得到更好的估计性能。