针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival，DOA)估计算法在低信噪比条件下性能不足的问题，提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解，获得信号的加权子空间，然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解，同时对于网格失配带来的建模误差，将空间域内的离散采样网格点作为动态参数，通过求解一个多项式，利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明，相对于传统SBL算法，该方法具有更好的估计精度和空间分辨率。

二、子空间拟合方法 对 约束取某种形式，可得到不同子空间拟合法。 在特征结构方法中，有 个大特征值及其对应的特征矢量。 选取 则子空间拟合： MD-Music法

对基于电磁矢量传感器阵列的噪声子空间算法进行计算机仿真，从估计精度角度（RMSE）与经典的降秩-MUSIC进行了对比：在低信噪比情况下，噪声子空间拟合算法的估计精度要高于降秩-MUSIC，而在信噪比较高时二者性能相当。然而，噪声子空间拟合算法要求进行2M维搜索（M是信号源个数），计算成本在信源个数较大时远大于降秩-MUSIC算法。

对基于电磁矢量传感器阵列的噪声子空间算法进行计算机仿真，并与经典的降秩MUSIC算法进行对比，绘制出二者的空间谱图。

二、子空间拟合方法 对 约束取某种形式，可得到不同子空间拟合法。 在特征结构方法中，有 个大特征值及其对应的特征矢量。 选取 则子空间拟合： MD-Music法