如果说 Capon 算法是通过“自适应抗干扰”的思想向窄主瓣迈进了一步，那么 MUSIC（Multiple Signal Classification，多信号分类）算法则带来了划时代的突破。MUSIC 的核心思想是将阵列观测空间通过特征值分解，严格划分为互相正交的信号子空间和噪声子空间，利用几何正交性来完成超高分辨率的测角。其分辨率和抗噪性能在非相干信号下达到了极高的水准。下面是 MUSIC 算法数学原理。

阵列信号模型设定

在均匀线性阵列标准模型下，阵列接收的快拍向量 x(t)∈CN×1x(t) \in \mathbb{C}^{N \times 1} 及其协方差矩阵 Rxx∈CN×NR_{xx} \in \mathbb{C}^{N \times N} 分别为：

x(t)=As(t)+n(t)x(t) = As(t) + n(t)

Rxx=E[x(t)xH(t)]=ARsAH+σ2INR_{xx} = \mathbb{E}[x(t)x^H(t)] = AR_sA^H + \sigma^2I_N

其中，A=[a(θ1),a(θ2),…,a(θM)]∈CN×MA = [a(\theta_1), a(\theta_2), \dots, a(\theta_M)] \in \mathbb{C}^{N \times M} 是由 MM 个真实目标方向的导向矢量组成的阵列流型矩阵。

矩阵分解

对埃尔米特矩阵 RxxR_{xx} 进行特征值分解，可得：

Rxx=UΣUHR_{xx} = U\Sigma U^H

其中：U∈CN×NU \in \mathbb{C}^{N \times N} 为由正交特征向量组成的酉矩阵（满足 UUH=INUU^H = I_N）。Σ=diag(λ1,λ2,…,λN)\Sigma = \text{diag}(\lambda_1, \lambda_2, \dots, \lambda_N) 为由特征值组成的对角矩阵，且特征值已按从大到小降序排列：λ1≥λ2≥⋯≥λN>0\lambda_1 \ge \lambda_2 \ge \dots \ge \lambda_N > 0。

划分子空间

根据矩阵代数理论，当空间中存在 MM 个非完全相干的信号源（即 RsR_s 满秩，rank(Rs)=M\text{rank}(R_s) = M），且阵元数 N>MN > M 时，这 NN 个特征值会呈现出清晰的断层：1，大特征值（共 MM 个）：对应信号与噪声的混合能量；2，小特征值（共 N−MN-M 个）：理论上完全相等，且都等于噪声功率 σ2\sigma^2。

λ1≥λ2≥⋯≥λM>λM+1=⋯=λN=σ2\lambda_1 \ge \lambda_2 \ge \dots \ge \lambda_M > \lambda_{M+1} = \dots = \lambda_N = \sigma^2

基于此，我们将特征向量矩阵 UU 和特征值对角阵 Σ\Sigma 垂直切分为两个子空间：

U=[UsUn],Σ=[Σs00Σn]U = [U_s \quad U_n], \quad \Sigma = \begin{bmatrix} \Sigma_s & 0 \\ 0 & \Sigma_n \end{bmatrix}

信号子空间（Signal Subspace）： Us∈CN×MU_s \in \mathbb{C}^{N \times M} 是由前 MM 个较大特征值对应的特征向量张成的空间。
噪声子空间（Noise Subspace）： Un∈CN×(N−M)U_n \in \mathbb{C}^{N \times (N-M)} 是由后 N−MN-M 个等于 σ2\sigma^2 的特征值对应的特征向量张成的空间。

此时，协方差矩阵可以重写为子空间相加的形式：

Rxx=UsΣsUsH+UnΣnUnH=UsΣsUsH+σ2UnUnHR_{xx} = U_s\Sigma_sU_s^H + U_n\Sigma_nU_n^H = U_s\Sigma_sU_s^H + \sigma^2U_nU_n^H

正交性证明

MUSIC 算法最精妙的数学核心就在于：真实的信号导向矢量与噪声子空间完全正交。
因为 UnU_n 中的每一列特征向量 uiu_i（i=M+1,…,Ni = M+1, \dots, N）对应的特征值均为 σ2\sigma^2，所以显然有：

Rxxui=σ2uiR_{xx}u_i = \sigma^2u_i

我们将 Rxx=ARsAH+σ2INR_{xx} = AR_sA^H + \sigma^2I_N 代入上式的左边：

(ARsAH+σ2IN)ui=σ2ui(AR_sA^H + \sigma^2I_N)u_i = \sigma^2u_i

ARsAHui+σ2ui=σ2uiAR_sA^Hu_i + \sigma^2u_i = \sigma^2u_i

ARsAHui=0AR_sA^Hu_i = 0

由于我们在前提中设定信号是非完全相干的（RsR_s 满秩），且阵列流型矩阵 AA 列满秩，因此要使上式乘积为 00，唯有满足：

AHui=0,(i=M+1,…,N)A^Hu_i = 0, \quad (i = M+1, \dots, N)

将所有噪声特征向量组合回矩阵形式 UnU_n，即得到：

AHUn=0A^HU_n = 0

这说明，任何一个属于真实目标方向的导向矢量 a(θm)a(\theta_m)（即 AA 的列向量），都与噪声子空间 UnU_n 严格正交。

空间伪谱函数

在实际测角时，我们在全空间范围内让扫描角度 θ\theta 连续变化，并计算扫描导向矢量 a(θ)a(\theta) 与噪声子空间 UnU_n 的内积投影模长：

d2=∥aH(θ)Un∥2=aH(θ)UnUnHa(θ)d^2 = \|a^H(\theta)U_n\|^2 = a^H(\theta)U_nU_n^Ha(\theta)

当 θ\theta 恰好等于某个真实目标的到达角 θm\theta_m 时，根据刚才证明的正交性，这个分母 d2d^2 会趋近于 00。为了将这个“零陷”转化为便于观察的“谱峰”，我们将该投影项取倒数，定义为 MUSIC 空间伪谱 函数：

PMUSIC(θ)=1aH(θ)UnUnHa(θ)P_{\text{MUSIC}}(\theta) = \frac{1}{a^H(\theta)U_nU_n^Ha(\theta)}

由于分母在目标方向极度接近 0，MUSIC 谱图上会激发出极其尖锐、陡峭的“冲激式”谱峰，其谱峰尖锐度（角分辨率）显著超越常规 DBF 和 Capon 算法。

MUSIC 算法的工程落地与改进

虽然 MUSIC 算法在基础理论中表现完美，但在车载雷达或实际射频系统中落地时，必须妥善处理以下工程痛点：

信源数MM的估计： MUSIC 算法要求必须预先知道确切的信号源数量 MM，以便精确切分 UsU_s 和 UnU_n。若 MM 预估偏大或偏小，伪谱都会彻底畸变。工程上通常采用 AIC（赤池信息准则） 或 MDL（最小描述长度准则） 对特征值进行统计学分析，自动探测目标数量 MM。
相干信号的处理： 类似于 Capon 算法，如果两目标相干（如雷达遭遇强多径反射），RsR_s 秩亏损，导致部分信号能量泄露到噪声子空间中，正交性破灭。因此在雷达处理中，空间平滑 通常是 MUSIC 算法密不可分的预处理前置项。
计算复杂度的折中： 在一维均匀线性阵列中，全空间扫描 θ\theta（计算谱函数）的计算量巨大。工程上常利用 ULA 导向矢量的范德蒙德矩阵特性，将空间谱搜索转化为求解多项式的根，即 Root-MUSIC 算法。它直接通过求出复平面上的代数根来获取角度，免去了网格搜索，极大地提升了雷达实时处理的效率。