阵列信号处理是现代信号处理中具有重要意义的一个研究领域,在雷达、声呐、射电天文、无线通信、生物医学以及地震探测等诸多领域有着广泛的应用并得到了快速发展。目前大多数常规的高分辨子空间类和稀疏重构类DOA估计算法都是基于背景噪声为统计特性已知的高斯白噪声、且空间信源恰好位于预先划分的空间网格上提出的。然而在实际应用中,阵列所处环境的背景噪声通常是统计特性未知的色噪声,且信源往往不会存在于网格上,这些问题的存在,会导致这些算法的性能下降甚至失效,从而严重制约了DOA估计技术向实际应用的转化。因此研究色噪声背景下的DOA估计方法具有重要的实际意义。传统子空间类方法在低信噪比,少快拍,信源相关时,算法性能会受到很大影响,而在实际中常常难以获得足够多的独立样本,并且所处环境噪声通常很强。随着压缩感知理论体系的出现和不断完善,作为其核心理论的稀疏信号重构算法可以在一定程度上解决传统子空间类算法的这些缺陷。本文提出了几种色噪声背景下离网格稀疏重构DOA估计算法,主要工作如下:(1)针对高斯色噪声背景下的DOA估计问题,利用四阶累积量对高斯过程不敏感的特性,构造观测信号的四阶累积量,从而去除高斯色噪声影响。为解决四阶累积量数据维度增加导致计算量急剧增大以及网格不匹配引起的估计精度下降问题,提出了一种四阶累积量实数化的off-grid稀疏重构DOA估计算法。首先构造了一个选择矩阵去除四阶累积量的冗余数据并将虚拟过完备字典排列成上下共轭对称的结构。再通过酉变换将去冗余四阶累积量以及虚拟过完备字典转换到实数域。将该实数四阶累积量矩阵向量化,得到性能更优的单观测矢量模型,基于该实数观测矢量对应的过完备字典中元素的排列特性,再次构造一个选择矩阵来去除其中的冗余数据,得到对应的实数过完备字典。基于该去冗余实数单观测矢量构建off-grid稀疏表示模型,用SBL算法进行求解。该方法能有效降低计算量,且提高了测向精度。针对色噪声不满足高斯分布的情况,采用协方差差分法来抑制具有对称Toeplitz结构的色噪声。该算法的主要思想是利用空间差分技术,将色噪声在原协方差矩阵与线性变换后的协方差矩阵差分的过程中去除。为了解决协方差差分法带来的伪峰区分难问题,以及进一步提高DOA估计精度,提出了两种基于协方差差分的off-grid稀疏表示DOA估计算法。(2)针对差分模型ΔR=R-JRJ,提出了一种协方差差分矩阵特征值分解的off-grid稀疏表示DOA估计算法,首先分析了差分矩阵特征值的正负对称分布的特性:正特征值对应实际信源的特性,而负特征值对应虚拟镜像信源的特性。取差分矩阵正特征值对应的信号子空间作为观测模型,可以解决差分法带来的伪峰问题。然后基于该观测数据,构建off-grid稀疏表示模型,采用FOCUSS(Focal Undetermined System Solver)算法,用两步优化的方式对网格角度和修正角度进行求解。(3)针对差分模型ΔR=R-JR~*J,提出了一种协方差差分矩阵实数化的off-grid稀疏表示DOA估计算法。该算法首先通过酉变换将差分矩阵转换到实数域,由于这个过程保留的是信号协方差矩阵的虚部,因此避免了伪峰问题。然后将该实数化的差分矩阵向量化成实数单观测矢量模型,同时构建对应的实数虚拟过完备字典。基于该实数观测矢量构建off-grid稀疏表示模型,采用协方差向量稀疏表示(Sparse Representation of Array Covariance Vectors,SRACV)算法,用两步优化的方式对网格角度和修正角度进行求解。上述两种算法在避免噪声协方差矩阵估计的情况下,去除了色噪声的影响,同时解决了应用协方差差分技术带来的伪峰区分问题,并获得了高精度的DOA估计。