1.一种DOA和极化参数估计方法，其特征在于，包括：步骤1：基于矢量传感器阵列，根据源信号导向矢量的一阶泰勒展开式构建非网格信号模型；

步骤2：基于步骤1构建的非网格信号模型，在稀疏贝叶斯学习框架下构建块稀疏向量；

步骤3：对步骤2构建的块稀疏向量施加二阶稀疏分层先验；

步骤4：计算隐含变量和超参数的更新表达式；

步骤5：基于步骤4的更新表达式，求解隐含变量和超参数更新结果；

步骤6：根据步骤5的更新结果，对源信号进行稀疏重构，求得目标辐射源的DOA和极化参数估计；

步骤1.1：获取信号空域采样数据：设M为双极化矢量传感器阵列的阵元数，K为信源数；

对于极化方向d，天线阵列接收信号向量为：[d]

其中，d＝1表示极化x方向，d＝2表示极化y方向，w(θk)为源信号导向矢量，N (t)为功2

率为σ的加性高斯白噪声， 为极化导向矢量，C[d]

为选择矩阵；

步骤1.2：构建非网格信号模型：根据信号源的空域稀疏性将观测空间划分成J个等间隔的角度集合，定义网格误差为入射角θk与最近网格 的差，即：对w(θk)进行一阶泰勒展开近似：其中，

构建虚拟阵列流型矩阵基于构建的非网格信号模型，天线阵列输出矢量为所述步骤2包括：

[d]

基于步骤1构建的非网格信号模型，对X 进行向量化处理：其中，

是一个块稀疏向量，该向量含有J个块，每个块内含有L个元素：所述步骤3包括：

对步骤2构建的块稀疏向量施加二阶稀疏分层先验：第一层先验服从高斯分布：第二层为两个服从Gamma分布的超先验：根据 中的J个块间的不相关性，第二层超先验中，定义两类服从Gamma分布的隐含变量 和 即：

其中， 是一个对角阵，对角元素为所述步骤4为：基于变分贝叶斯理论将后验分布的概率密度函数进行变分近似，计算各隐含变量和超参数的更新表达式：步骤4.1：更新

[d] [d]

服从高斯分布，其均值μ 和方差Σ 的更新表达式为：步骤4.2：更新

服从生成的逆高斯分布，其n阶矩更新表达式为：步骤4.3：更新

的n阶矩更新表达式为：[d]

步骤4.4：更新ν ：[d] [d]

q(ν )服从Gamma分布，ν 的更新表达式为：步骤4.5：更新

服从Gamma分布， 的更新表达式为：步骤4.6：更新Δθ：通过最小化似然函数，Δθ的更新表达式：其中，

所述步骤6包括：

步骤6.1：根据步骤5隐含变量和超参数的更新结果重构源信号分量步骤6.2：构建谱峰搜索函数 通过谱峰搜索求出目标辐射源的DOA估计；

步骤6.3：根据DOA估计结果，估计极化参数，极化辅助角和极化相位差的估计结果分别为：

2.根据权利要求1所述的一种DOA和极化参数估计方法，其特征在于，所述步骤5为：根据步骤4.1‑4.6，基于KL散度收敛原则，交替迭代更新各隐含变量和超参数直至求得更新结果。