本文主要包含三方面的内容：阵列天线、支持向量机以及两者结合应用研究。 支持向量机是由Vapnik等人提出的小样本统计理论——统计学习理论发展而来的一种新的通用学习算法，特别在高维空间中表示复杂函数，避免了常规算法“维数灾难”等麻烦问题，可直接用阵列原始数据作为特征向量而不影响系统性能。本文主要将SVM这一新的机器学习方法应用到阵列天线领域，并用该算法实现对目标信源的测定。 为了利用支持向量机的函数拟合来预测信源位置，我们将支持向量机理论和阵列天线模型结合在一起，根据两者的不同特点构造了一个训练数据结构；并设计了通过改变不同参数对训练机器进行优化的新的系统模型。这样不仅发挥了SVM技术的优越性，而且还推广了该技术应用领域。本文仿真采用6元直线等距阵列天线对于平面波入射的处理情形。把阵列天线采集的训练样本的协方差矩阵进行适当变换之后送入SVM训练器进行学习，然后根据这个学习机对未知样本进行SVM的函数拟合，得到信源方向。训练中需要采用不同的参数，以求得最佳学习机。这种算法处理速度很快，能实时跟踪目标运动，且在环境不是很恶劣的情况下精度较高，能有效的减少运算量。同时我们还将SVM与MUSIC算法进行了比较，可以看出，在预测精度和跟踪速度方面，SVM算法的优点得到了很好的体现。