基于子空间分解的经典超分辨DOA(Direction Of Arrival)估计算法及其衍生算法以其优越的测向性能和良好的角分辨率得到了阵列工作者的极大关注,然而,经典子空间分解方法由于涉及到样本协方差矩阵(SCM──Sample Covariance Matrix)的估计及对其进行特征值分解(EVD──Eigen-Value Decomposition),或者直接对阵列接收数据进行奇异值分解(SVD──Singular Value Decomposition),使得算法本身运算负担极为繁重,难以满足实际应用中实时处理的要求。在现代军事通信或卫星通信中,跳频通信技术与突发短时通信技术由于具有抗干扰性、低截获概率等优势而得到了广泛的应用。在复杂多变的战事环境中,阵列接收有效数据严重不足,通过样本协方差来获得真实阵列协方差矩阵的偏差较大,经典子空间估计方法几乎总是失效的。对于星载二维测向系统,需要宽空域高精度2-D( Two-Dimensional ) DOA估计算法。经典2-D MUSIC ( Multiple Signal Classification)类和2-D ESPRIT(Estimate Signal Parameters via Rotational Invariant Techniques)类方法都不可避免地遇到诸如二维谱峰搜索、非线性优化、分维处理及参数配对等难题和其带来的大运算量不利于实时处理的窘境。本文在前人的工作基础之上,重点分析和研究了以下几个方面的内容:对于一维窄带快速测向算法,首先给出了子空间分解类测向算法的数学模型、算法原理及系统流程,然后分析了造成经典子空间算法运算量大的原因,提出解决问题的方法。着力于避免阵列协方差矩阵的求解和对其进行特征分解,通过多个仿真实验对比不同快速算法和经典子空间算法的测向性能、运算复杂度等,得出结论:如果要降低子空间算法的运算复杂度使其适用于实际系统,必须损失一定的测向性能或已知入射信源的更多波形信息。对于短时突发数据快速测向技术,分析了“短时突发信号”的产生条件和应用背景,解释了经典子空间类算法无法适用及失效的原因,提出了两种适用于小样本支撑和快时变信号环境下的快速测向算法,即MSWF SSMUSIC(Multi-Stage Wiener Filter Signal Subspace Scaled MUSIC)和TOP QP-ESPRIT(Toeplitz QR Power ESPRIT)算法。提出的MSWF SSMUSIC算法,在短采样数据或低信噪比(SNR──Signal to Noise Ratio)情形下运算量小,角分辨率高,角估计性能优越。提出的TOP QP-ESPRIT算法,无需使用多个快拍数据估计阵列协方差阵,无需特征分解,无需信源个数估计,无需额外的解相干处理,算法本身的角估计性能优良,尤其适用于军事通信或卫星通信下的短时突发数据快速实时超分辨测向。针对星载二维快速测向系统,分析和比较了基于L阵列和双平行线阵的常见算法测向性能,从理论分析和仿真结果两个方面总结了以往算法的优缺点及待改进之处,提出了一种基于CG(Conjugate Gradient)迭代搜索的非圆信号快速高精度2-D DOA估计算法,所提算法利用信号非圆特性进行阵列接收数据扩展,提高了多信号检测能力,改善了DOA估计性能。通过CG迭代搜索替代传统特征分解获取信号子空间,降低了经典超分辨DOA估计算法的运算量,采用已知信号波形作为CG迭代初始化,对信号信息的利用程度高于基于特征分解的3-D Non-Circular ESPRIT算法,因此算法本身的角估计性能更好,运算复杂度更低,实用价值更高。