[pt] O problema de estimação de direção (DoA) de chegada é um importante tópico de pesquisa em áreas como radar, sonar, sismologia, vigilância eletrônica e comunicações sem fio. Este trabalho teve como principal resultado o desenvolvimento de um novo algoritmo que combina o método da máxima verossimilhança (ML) estocástica com o algoritmo ganancioso de busca ortogonal (OMP), comumente empregado em recuperação esparsa com Sensoriamento Compressivo (CS). Muito embora técnicas ML sejam consideradas ótimas em termos de erro médio quadrático, atingindo o limitante inferior de Cramér-Rao (CRLB), o menor limitante inferior para a variância do estimador, estas técnicas demandam de modo significante, às vezes inexequível, os recursos computacionais. Por outro lado, a partir de uma variante esparsa da equação de aquisição de dados, o problema de encontrar a solução mais esparsa possível de sistemas de equações subdeterminados com o algoritmo OMP tem sido empregado de modo satisfatório para encontrar as estimativas de direção, porém com muitas oportunidades de melhoria em casos com cenários sujeitos a condições severas. Por exemplo, cenários com acoplamento eletromagnético (EM), baixa razão sinal-ruído (SNR) e um número limitado de amostras temporais disponíveis. O estimador de direção proposto, baseado em coarranjo diferença, denominado OMP com Máxima Verossimilhança Baseado em Lista (LBML-OMP), apresentou uma melhora significativa no processo de estimação em comparação com técnicas tradicionais e modernas, tais como: OMP, Técnica de Limiar Iterativa (IHT) e Classificação de Múltiplos Sinais Espacialmente Suavizados (SS-MUSIC). A técnica proposta utiliza uma lista de candidatos gerada a partir da solução do algoritmo OMP original e decide pelo melhor a partir de uma busca limitada utilizando o estimador ML estocástico, o que justifica seu uso em cenários práticos. Para a amostragem dos sinais no ambiente, arranjos lineares não-uniformes clássicos e modernos foram empregados, tais como Arranjos Aninhados de Segunda Ordem (NAQ2), Arranjos Aninhados de Segunda Ordem Aperfeiçoados (SNAQ2), Arranjos de Redundância Mínima (MRA) e Arranjos Coprimos (CPA). Além disso, a estimação foi realizada considerando-se o efeito do acoplamento EM e ruído. Ainda, um novo modelo para estimação de direção em coarranjo diferença foi desenvolvido. Este modelo considera o número de amostras temporais finitas (não-assintótico) e mostrou melhora significativa quando do seu emprego no processo de estimação de direção de todos os algoritmos considerados, não apenas o LBML-OMP, evidenciando fontes secundárias de erro no modelo original estabelecido. De forma a complementar o trabalho, um algoritmo de atenuação de ruído chamado OMP aleatorizado (RandOMP) foi utilizado para aumentar a precisão da estimação em cenários com condições de ruído severas. Neste sentido, as contribuições deste trabalho estão relacionadas principalmente ao desenvolvimento de um novo algoritmo e um novo modelo de transformação em coarranjo diferença de modo a melhorar as estimativas de direção das fontes com arranjos lineares não-uniformes. Além disso, enfatiza-se o emprego de diferentes geometrias para as simulações, tornando-se evidente o impacto da posição dos sensores nas curvas de raiz quadrada do erro médio quadrático (RMSE). / [en] The Direction of Arrival (DoA) estimation or Direction Finding (DF) is a relevant topic for research in areas such as radar, sonar, seismology, electronic surveillance, and wireless communications. This thesis devises a new algorithm that combines a stochastic Maximum Likelihood (ML) method with the widely-known Orthogonal Matching Pursuit (OMP) greedy algorithm, commonly used in sparse recovery with Compressive Sensing (CS). Even though ML techniques are known to be optimal in the mean-squared error sense, achieving the Cramér-Rao Lower Bound (CRLB), the tighter lower bound on estimator variance, they demand a significant, sometimes infeasible, amount of computational resources. On the other hand, departing from a sparsified variant of the data acquisition equation, the problem of finding the sparsest solution of underdetermined systems of equations with OMP has been employed successfully to find the DoA estimates, but with many opportunities for improvement in cases of challenging scenarios. For instance, scenarios with electromagnetic (EM) coupling, low signal-to-noise ratio (SNR), and a limited number of available snapshots (time samples). The proposed difference coarray DoA estimator termed List-Based Maximum Likelihood OMP (LBML-OMP) has shown substantial improvements over traditional and modern techniques, such as OMP, Iterative Hard Thresholding (IHT), and Spatial Smoothing Multiple Signal Classification (SS-MUSIC). It uses a list of candidates generated from the OMP solution and decides for the best based on a limited search using the stochastic ML rule. Thus, it does not perform a grid search with the ML estimator, and this justifies its use in practical scenarios. For the sensing of space-time field, classic and modern non-uniform linear arrays are employed, such as 2-nd Order Nested Array (NAQ2), 2-nd Order Super Nested Array (SNAQ2), Minimum Redundancy Array (MRA), Minimum Hole Array (MHA), and Coprime Array (CPA). Additionally, the estimation is performed under the assumption of EM coupling and noise as disturbing side effects. Furthermore, a new model for difference coarray DoA estimation is developed. It accounts for the finite number of snapshots and has shown to increase the estimation accuracy for all the algorithms, not only LBML-OMP, evidencing secondary sources of error for the difference coarray transformation. To complement the work, a denoising algorithm called Randomized OMP (RandOMP) was applied to successfully increase the estimation accuracy for difference coarray estimators in scenarios with severe noisy conditions. The contributions of this work relate mainly to the development of a new algorithm and a new difference coarray transformation to improve the DoA estimation accuracy with non-uniform linear arrays. Also, it should be noticed the employment of different geometries for the numerical experiments, making evident the impact of the array sensors positions in the root mean square error (RMSE) curves.