Como un enfoque de investigación importante en detección y localización de radar, la estimación de la dirección de llegada (DOA) ha avanzado significativamente gracias a las técnicas de aprendizaje profundo con potentes capacidades de ajuste y clasificación en los últimos años. Sin embargo, el aprendizaje profundo inevitablemente requiere una cantidad sustancial de datos para garantizar habilidades de aprendizaje y generalización, y carece de una interpretabilidad razonable. Recientemente, una técnica de despliegue profundo ha atraído una amplia preocupación debido a la perspectiva más explicativa y la menor dependencia de los datos. Más importante aún, se ha demostrado que el despliegue profundo permite una aceleración de la convergencia cuando se aplica a algoritmos iterativos. Sobre esta base, deducimos rigurosamente un algoritmo iterativo de aprendizaje bayesiano escaso (SBL) y construimos una red bayesiana profunda desplegada en una correspondencia uno a uno. Además, los errores comunes pero intratables fuera de la cuadrícula, causados por la falta de coincidencia de la cuadrícula, se consideran directamente en el modelo de señal y se calculan en el proceso iterativo. Además, se adopta una matriz de orificios mínimos, poco considerada en el despliegue profundo, para mejorar aún más el rendimiento de la estimación debido a la maximización de los grados de libertad del conjunto. Se presentan extensos resultados de simulación para ilustrar la superioridad del método propuesto más allá de otros métodos de vanguardia.