La red neuronal profunda (DNN) ha mostrado un gran potencial en la estimación de la dirección de llegada (DOA). En escenarios de relación señal-ruido dinámica alta (SNR), la precisión de la estimación de las fuentes más débiles puede degradarse significativamente debido a la falta de muestras de entrenamiento. Este artículo propone un marco de red neuronal profunda con operación de ventana deslizante. Todo el campo de visión (FOV) se divide en una serie de subregiones a través de ventanas deslizantes. Se asume que cada subregión contiene a lo sumo una fuente. Por lo tanto, los datos de una sola fuente pueden ser utilizados para entrenar todas las redes, aliviando la necesidad de muestras de entrenamiento y de información previa sobre el número de fuentes. Se siguen una red de detección y una red de estimación para cada subregión, lo que permite una alta precisión de estimación y el número de fuentes. Los resultados de la simulación y del experimento con datos reales muestran que el método propuesto puede lograr una excelente actuación en la estimación de DOA y el número de fuentes. Específicamente, en el experimento con datos reales, los resultados muestran que el RMSE del método propuesto alcanza 0.071, que es al menos 0.03 menor que FFT, MUSIC, ESPRIT y un método de aprendizaje profundo, a saber, red convolucional profunda (DCN), no puede estimar la fuente de SNR más baja en escenarios de SNR dinámica alta.