在阵列信号处理中,自适应波束形成技术是普遍要考虑的任务并具有广泛的应用。依赖于数据的传统波束形成算法能维持感兴趣信号的幅度响应为1并抑制干扰。但是在实际应用场景中,由于阵列和传播环境存在非理想性,传统波束形成技术的性能会严重下降。其原因在于感兴趣目标被当做干扰而受到抑制。很多鲁棒自适应波束形成技术被提出来以增加波束形成器的鲁棒性。在这些技术中,对角加载是一种很流行的鲁棒算法。对角加载技术在Capon波束形成器的目标函数中增加了权值向量的范数约束。本质上,对角加载技术相对于在输入端注入人工白噪声以降低输入信噪比。这样能够降低波束形成器对导向矢量误差的敏感性。为了克服传统对角加载算法的缺点,很多文献考虑导向矢量的不确定集以便明确计算对角加载算法中的加载量。在本论文中,主要有以下三个贡献:(1)我们证明了不确定集中的幅度响应波动约束条件可以转变为权值向量的范数约束,其中权值向量范数的最大值跟不确定集的大小和阵元数目有关。(2)为了抑制干扰,我们提出了一种新的鲁棒线性约束最小方差算法,其可以看做是将线性约束最小方差和范数约束Capon算法结合起来。同时我们推导出与这种算法对应最优化问题的闭式解。(3)当我们无法获得干扰的方向信息时,我们提出了一种使用旁瓣抑制的鲁棒算法。在合理选择参数的前提下,可以使用CVX软件包求解相应的最优化问题。我们将论文中提出的算法跟其他鲁棒自适应波束形成算法进行了对比。在相同场景中,仿真结果表明论文所提出算法比其他测试算法具有更强的鲁棒性。