波达方向估计(Direction of Arrival, DO A)是阵列信号处理的重要应用之一,电磁矢量传感器(Electromagnetic Vector Sensor, EMVS)阵列作为一种能够检测电磁信号极化信息的技术手段,由于能够感知入射信号的完备电磁场信息,因此能够获得比传统的标量阵列更好的估计性能,具有广阔的应用前景。电磁矢量传感器阵列的输出信号具有空-时-极化的多维特性,传统的基于矩阵的分析方法在处理这类多维信号时,需要将这种多维的信号合并成二维的矩阵进行处理,存在一定的局限性。因此,基于张量的多维数据处理工具正在阵列信号处理中扮演着越来越重要的角色,获得了蓬勃的发展,而典范分解(Canonical Polyadic decomposition, CP)模型是张量中一种最常用的模型。本文主要研究了基于张量的电磁矢量传感器阵列信号的波达方向估计,取得的成果主要包括：●研究了电磁矢量传感器阵列信号的三阶CP模型和具有多平移不变性的四阶张量CP模型,提出了一类结合信号统计信息的张量分解算法,并分别用于电磁矢量传感器阵列输出信号三阶CP模型和四阶CP模型的DOA估计。该类算法利用了信号源之间相互统计独立的特性,在张量展开后,首先运用独立成分分析(Independent Component Analysis, ICA)提取出相互独立的信号源,再利用联合对角化(Joint Diagonalization, JD)算法恢复出混合矩阵的Khatri-Rao结构,最后由秩-1逼近算法求出极化域导向矢量矩阵,从而计算出入射信号的DOA。仿真结果说明该类算法在分辨入射角度及极化参数接近的入射电磁波方面具有优势,当入射信号中有多个信号的入射角度和极化参数比较接近时,该算法能获得更高的角度分辨率,在四阶CP模型下,本文算法在估计圆极化入射信号时,具有更强的辨识能力和更高的估计精度。●研究了空间“拉伸”的电三极子+磁三极子电磁矢量传感器的张量CP模型,由于此时阵列信号的输出不再满足一个单一张量的结构,因此我们提出了一种联合张量分解算法用于分解此类阵列的观测信号,并分别从传统的交替最小二乘(Alternating Least Squares, ALS)和JD算法方面进行了该算法的扩展。最后仿真表明,联合张量分解算法较单个张量分解算法在某些方面有较大优势,例如在白噪声下估计精度更高,对色噪声相关系数有很好的鲁棒性。除此之外JCP还能够辨识线极化信号,并且具有更好的DOA辨识性,估计偏差小。