分置天线多输入多输出（Multiple-Input Multiple-Output,MIMO）雷达的发射接收天线空间间隔较远,拥有传统雷达不具备的波形分集增益和空间分集增益,可以显著提高雷达的目标检测以及参数估计等系统性能,因此引起了广泛的关注和研究。传统的雷达目标参数估计算法计算复杂度高且不可控,在复杂多变的实际环境中,根据实时接收数据自适应估计参数的性能也是有限的。深度学习具有强大的实时处理数据的能力和学习能力,在某些场合中,相比传统方法具有一定的优势。为便于分析且不失一般性,本文采用经典的全连接神经网络对雷达目标进行定位,但由于不同拓扑结构的网络估计性能不同,而目前大部分选取网络拓扑结构的方法都是依赖经验,无法预测网络的性能或给出理论支撑。本文针对此问题,首先研究在已知样本集先验统计特性的前提下全连接神经网络解决回归任务的性能界,然后分析基于传统统计方法的分布式MIMO雷达目标定位性能,最后研究基于全连接神经网络的分布式MIMO雷达目标定位的性能。（1）首先针对回归任务,介绍全连接神经网络的拓扑结构。然后假设样本集的先验统计特性,在给定网络拓扑结构、网络初始化参数并已知样本集先验统计特性的前提下研究全连接神经网络的训练性能。分别分析基于假定密度滤波（Assumed Density Filtering,ADF）模型的样本统计特性前向传播过程和基于Adam（Adaptive moments）的反向传播过程。接着研究网络的测试性能,最后根据网络参数初始化时的统计特性推导神经网络性能的均方误差（Mean Square Error,MSE）界,本文给出的这个理论性能界可用于指导神经网络拓扑结构等优化设计。（2）考虑基于传统统计理论的目标定位方法,首先对分置天线MIMO雷达接收信号进行建模,然后介绍分布式MIMO雷达目标位置估计器,接着分别推导时延的极大似然（Maximum Likelihood,ML）估计以及克拉美罗界（Cramér–Rao Bound,CRB）,最后基于时延估计值的分布推导目标位置的CRB。通过仿真验证CRB的正确性。（3）考虑基于深度学习的目标定位方法,将全连接神经网络作为数据融合中心的核心单元,首先分析用于目标定位的样本集的先验统计特性,并设计网络的拓扑结构,然后研究基于样本集先验统计特性的目标定位算法流程,最后推导目标位置估计的神经网络MSE界并进行网络拓扑结构的优化。通过仿真验证神经网络MSE界的正确性,分析网络拓扑结构、位置采样间隔和收发路径数目等系统参数对MSE界的影响,并与传统方法的MSE界进行对比。