1.一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，包括以下步骤：S1，阵元故障时对MIMO雷达阵列回波信号进行匹配滤波，获得虚拟阵列输出信号矩阵S2，用奇异值分解对矩阵 进行降维，得到降维数据矩阵S3，根据降维数据矩阵 中虚拟阵元输出数据之间的相关性，定义块Hankel矩阵化操作及其逆过程，分别记为H(·)和H‑1(·)；

S4，将降维数据矩阵 排列成块Hankel矩阵并施加Schatten‑p范数作为正则项，建立基于块Hankel矩阵的低秩矩阵填充模型；

S5，将S4中含有约束的矩阵填充模型转化为不含约束的增广拉格朗日函数形式；

S6，利用ADMM算法将S5中的增广拉格朗日函数分解为若干个子问题求解；

S7，根据S5‑S6求解矩阵填充模型，可获得完整的降维数据矩阵 然后通过RD‑MUSIC算法从完整降维数据矩阵 估计目标的DOA。

2.根据权利要求1所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，S1中，MIMO雷达天线阵列由M个发射阵元和N个接收阵元组成，发射和接收阵列均为均匀线性阵列；空间内存在Q个相互独立的远场目标，若发射端的阵元同时发射相同的窄带正交波形，则接收端对L个脉冲周期的回波信号进行匹配滤波后得到维度为MN×L的虚拟阵元输出数据矩阵：式中， 和 分别为阵元故障时的发射阵列和接收阵列的流形矩阵；⊙表示矩阵的Khatri‑Rao积； 为目标系数矩阵； 为阵元故障时的高斯白噪声矩阵。

3.根据权利要求2所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，S2中，得到降维数据矩阵的步骤包括：S21，为了降低计算复杂度，增强对噪声的鲁棒性，对虚拟阵列输出矩阵 进行奇异值分解：H

式中，(·) 表示矩阵的共轭转置； 和 分别为左奇异值向量和右奇异值向量组成的正交矩阵； 为对角矩阵，其主对角线元素为降序排列的奇异值；

S22，为对虚拟阵列输出矩阵 进行降维，将 与VFQ相乘获得维度为MN×Q的降维数据矩阵式中， 其中，IQ为大小为Q×Q的单位矩阵，0Q×(L‑Q)为大小为Q×T

(L‑Q)的全零矩阵，(·) 表示矩阵的转置； 为降维后的目标系数矩阵；

为降维后的高斯白噪声矩阵。

4.根据权利要求1所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，S3中，对于维度为I1×I2的矩阵X，其块Hankel矩阵化操作步骤包括：S31，矩阵X可由I2个列向量 构成，i2＝1,2,…,I2，即 对于任意满足Gh＝I1的正整数G和h，列向量 可划分为G个长度为h的列向量 即对于任意满足J1+J2＝h+1的正整数J1和J2，列向量经过Hankel矩阵化操作形成的矩阵可表示为：式中， 表示Hankel矩阵化操作， 表示位于矩阵中第j1行第j2列的元素， 表示列向量 中的第j1+j2‑1个元素；

S32，将G个具有Hankel结构的矩阵 排列成矩阵对于任意满足K1+K2＝G+1的正整数K1和K2，经过Hankel矩阵化操作形成的矩阵可表示为：式中， 表示位于矩阵 中第k1行第k2列的子块矩阵，表示矩阵Bi2中的第k1+k2‑1个子块矩阵；

S33，将I2个具有块Hankel结构的矩阵 排列成矩阵对于任意满足W1+W2＝I2+1的正整数W1和W2，矩阵D经过块Hankel矩阵化操作形成的矩阵可表示为：式中， 表示位于矩阵 中第w1行第w2列的子块矩阵，表示矩阵D中的第w1+w2‑1个子块矩阵；

S34，S31‑S33对矩阵X的多次Hankel矩阵化操作是一种块Hankel矩阵化操作，用H(·)表示这种块Hankel矩阵化操作，即 定义 为块Hankel矩阵化操作的逆过程，对于任意矩阵X，满足

5.根据权利要求4所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，S4中，通过将MIMO阵列降维数据矩阵排列成块Hankel矩阵并施加Schatten‑p范数作为正则项，建立基于块Hankel矩阵Schatten‑p范数正则化的矩阵填充模型：式中， 为待恢复的降维数据矩阵；E是用于补偿 中缺失元素的辅助变量矩阵；Ω表示 中已知元素的索引集； 表示矩阵在索引集Ω上的投影；维度为J1K1W1×J2K2W2的矩阵 的Schatten‑p范数表示为 其中，λi为 的第i个奇异值，0＜p＜1，当p无限趋近0时， 的Schatten‑p范数无限逼近秩函数。

6.根据权利要求5所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，S5中，将S4中含有约束的矩阵填充模型转化为不含约束的优化问题，则其增广拉格朗日函数可定义为：式中，<·>表示矩阵的内积，R为拉格朗日算子，μ为惩罚因子。

7.根据权利要求6所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，在S6中，由于S5中的增广拉格朗日函数包含多个变量，可利用ADMM算法将其分k k k解为若干个子问题求解，即固定其它多个的值，迭代更新一个变量的值；用 E、R 、μ表示已知的第k次迭代更新结果，则求解得到第k+1次迭代更新结果的过程可表示为：式中，正则化因子ρ为大于1的常数。

8.根据权利要求7所述的一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计方法，其特征在于，在S6中，具体迭代更新步骤如下：S61，通过固定R和E，更新 的子问题可表示为令 则上述的Schatten‑p范数优化问题可通过广义软阈值算法(GST,Generalized Soft‑Thresholding)求解，即k

式中， 表示由矩阵G 奇异值σi(i＝1,2,… ,I)构成的对角矩阵，即diag(σ1,σ2,…,σI)表示由奇异值σ1,σ2,…,σI构成的对角矩阵，I＝mink{J1K1W1,J2K2W2}； 和 分别表示G 的左奇异值向量矩阵和右奇异值向量矩阵，满足其中阈值

S62，由于辅助变量矩阵E的作用是补偿矩阵 中的缺失元素，因此在更新E时，一方面保持E在索引集Ω中的元素始终为零，即 其中0为全零矩阵；另一方面求解E在索引集Ω的补集 中的元素；固定 和R，更新E的子问题可表示为因此，E的完整迭代解为：

S63，拉格朗日算子R的更新表达式为 惩罚因子μ的更新表k+1 k

达式为μ ＝ρμ；

在不断的迭代更新过程中，当达到设置的最大迭代次数，或迭代残差成立时，迭代立即终止，其中||·||F表示Frobenius范数，ε为正数。

9.一种基于低秩块Hankel矩阵正则化的MIMO阵列DOA估计系统，其特征在于，包括：匹配滤波单元：阵元故障时对MIMO雷达阵列回波信号进行匹配滤波，获得虚拟阵列输出信号矩阵降维单元：用奇异值分解对矩阵 进行降维，得到降维数据矩阵块Hankel矩阵化操作单元：利用降维数据矩阵 中虚拟阵元输出数据之间的相关性，定义块Hankel矩阵化操作及其逆过程，分别记为 和模型构建单元：将降维数据矩阵 排列成块Hankel矩阵并施加Schatten‑p范数作为正则项，建立基于块Hankel矩阵的低秩矩阵填充模型；

模型转化单元：将含有约束的矩阵填充模型转化为不含约束的增广拉格朗日函数形式；

问题求解单元：利用ADMM算法将增广拉格朗日函数分解为若干个子问题求解；

估计单元：求解矩阵填充模型，可获得完整的降维数据矩阵 然后通过RD‑MUSIC算法从完整降维数据矩阵 估计目标的DOA。

10.一种计算机存储介质，存储有可读程序，其特征在于，当程序运行时，执行权利要求

1‑8任一项所述的方法。