智能天线技术作为TD-SCDMA通信系统的关键技术之一，是当前通信技术领域的研究热点。智能天线可以通过波束形成达到抑制干扰信号从而提高输出信干噪比和通信系统容量的目的。因此，研究智能天线算法具有重要的意义和实用价值。　　 支持向量机(SVM)是机器学习领域的最新研究成果，它仅需要少量样本就可以对同一分布的测试样本具有较好的泛化能力，而且具有处理高维、非线性数据和全局收敛等优点。支持向量机已被广泛地应用到各个研究领域，也成为处理无线通信信号的一种新方法。本文以支持向量机作为信号处理工具，将其运用到智能天线算法的研究。论文的主要工作及创新包括：　　 1.概述了智能天线的基本原理和经典的波束形成和DOA估计的算法。介绍了统计学习理论和支持向量机的基本原理，主要包括VC维与推广的界、损失函数与结构风险以及支持向量机。通过计算机仿真，在平面二维数据中展示了支持向量机优异的分类性能和支持向量回归机的拟合性能。　　 2.将支持向量机推广到可以处理复信号的复平面，为支持向量机应用于智能天线的波束形成以及DOA估计做好铺垫。将波束形成器的最优权值求解问题成功转化为支持向量机处理近似线性分类的问题来求解，建立了基于LSVM和NSVM两种支持向量机的波束形成器并进行仿真分析，仿真结果表明，与传统算法相比，基于LSVM和NSVM运用于波束形成算法收敛速度更快，输出信干噪比更高，特别是在过载的情况下表现出比传统算法更优越的性能。基于NSVM比基于LSVM的赋形效果更好，但是复杂度稍高。　　 3.通过使用SVM求解AR模型的系数，得到信号模型的方向谱，调整参数可以得到理想的DOA估计谱图。采用支持向量回归机对各个角度的接收信号进行训练，得到关于输入信号与输出角度的拟合函数。仿真表明，该方法在[-70°，70°]的范围内可达到理想的效果。　　 4.提出了基于PSVM-DDAG的DOA估计算法。它是以决策导向无环图(DDAG)为多用户DOA的训练结构和以PSVM算法作为节点的训练模型，避免了标准SVM算法中繁琐的二次寻优过程，并就训练过程中算法精度和性能进行了分析和讨论。与常规的ESPRIT算法相比，PSVM-DDAG算法在有效减小DOA估计偏差及降低计算复杂度上均有较好的表现，而且具有很好的鲁棒性，适合分类数目少的情况。