近年来，毫米波（mmWave）雷达凭借波长短、尺寸小、带宽大、抗干扰能力强及全天候工作等优势，成为备受关注的先进雷达技术。其中，调频连续波（Frequency Modulated Continuous Wave，FMCW）毫米波雷达通过发射和接收连续的调频信号实现目标探测，具有高分辨率和强抗干扰能力。在其探测任务中，到达角度（Direction of Arrival，DOA）估计是关键技术之一，直接影响雷达系统整体性能。然而，天线阵列误差会显著降低DOA估计精度，因此分析并抑制阵列误差是实现高精度DOA估计的前提。此外，在保证DOA估计准确性的基础上减少运算消耗、增强环境适应性也是重要研究方向。具体工作如下：

（1）FMCW毫米波雷达天线阵列误差校正方法研究。针对毫米波雷达尺寸受限导致天线阵列易产生误差，影响DOA估计精度的问题，本文开展阵列误差分析与校正方法研究。分析了阵元位置误差和通道幅相误差的产生机理，探究了辅助源校正和自校正方法对两类误差的校正原理及DOA估计的影响。针对通道幅相误差，本文提出了基于迭代子空间的改进型自校正算法，通过子空间分解、引入正则化约束及自适应调整步长策略，有效抑制了噪声干扰和局部最优风险。

（2）基于传播算子的FMCW毫米波雷达DOA估计方法研究。针对传统子空间类DOA估计算法存在计算复杂度高，且在低信噪比和信号相干场景下，DOA性能下降的问题。本文提出了基于改进传播算子的DOA估计算法，该算法通过重叠子阵划分，构造多个子阵之间的传播算子，并引入加权融合形成融合的传播算子，利用融合后的传播算子实现最终的DOA估计。既有效抑制了噪声和干扰对信号特征的影响，降低单个子阵估计偏差，又提升了低信噪比及相干信号场景下的DOA性能。

（3）基于深度学习的FMCW毫米波雷达DOA估计方法研究。在FMCW毫米波雷达DOA估计的实际处理中，需要对雷达数据设计各种预处理等复杂模块。本文探索研究了深度学习在毫米波雷达信号处理中的应用可行性，提出一种基于一维卷积神经网络（Convolutional Neural Networks, CNN）的FMCW毫米波雷达DOA估计算法。相对于传统的二维CNN结构，一维卷积更适配雷达数据的时序特性，可使卷积核聚焦时间维度的信号特征提取。通过搭建基于IWR1843BOOST毫米波雷达板卡测试场景，构建小网格划分的空间环境下的人体目标点位数据集，经过训练和测试，验证了所提算法的有效性。

实验表明，有源校正和自校正方法均可有效校正FMCW毫米波雷达天线阵元位置误差和幅相误差，本文提出的基于迭代子空间的改进型自校正算法，具备良好的低信噪比适应性和局部最优规避能力。此外，本文提出的本文提出的改进型传播算子DOA估计算法在低信噪比、相干信号条件下性能优异，且具有较低的运算复杂度。最后，本文提出的基于1D-CNN的DOA估计算法在实测中的平均准确率达到了96%。本文的相关研究成果可为毫米波雷达相关理论研究与工程应用提供了一定的参考。