低空目标被动声学识别与定位技术相比较于雷达探测技术具有隐秘性高、成本低等优点,在军事、安全监控等方面得到了广泛的应用。目前,低空目标被动声学识别与定位几乎都是基于单目标,不能满足多目标识别与定位的要求,同时受环境噪音的干扰,传统定位算法在低信噪比下存在误差较大等问题。本文针对无人机多目标识别与定位问题,围绕信号预处理、盲源分离算法、分类识别算法、定位算法以及系统设计等关键技术问题展开研究工作:在信号预处理方面,对无人机音频进行了时频分析,提出了滤波降噪、端点检测、声源数目判断等预处理方法;在盲源分离算法研究方面,针对卷积盲源分离频点分量排序不确定性问题展开深入研究,提出了基于频域幅度相关矩阵排序方法,仿真结果表明该方法能有效解决频点分量排序不确定性的问题,确保了卷积盲源分离的有效性;在分类识别算法研究方面,论述了声学特征提取,并在CNN的基础之上提出了CNN-GRU复合神经网络,训练结果显示该网络模型提高对无人机音频的识别率;在定位算法研究方面,介绍了立体七元十字阵定位原理,分析了基于互相关函数的时延估计算法,并在此基础上提出了三阶累积一维分量广义二次互相关算法,仿真结果表明该时延估计算法提高了抗噪性能和时延估计精度,随后采用欧式距离衡量法解决了多时延估值与多声源匹配的问题;在系统设计方面,提出了低空多目标被动声学识别与定位系统的整体设计,详细阐述了信号处理模块、同步采集模块和上位机软件的设计;最终完成了低空多目标被动声学识别与定位系统设计。最后,搭建测试平台,对不同神经网络模型、目标声源数量以及声源信噪比对无人机识别率影响以及不同时延估计算法、目标声源距离以及数量对定位精度影响进行了测试验证。试验结果表明,相较于CNN,CNN-GRU复合神经网络对无人机音频有更高的识别率,而且识别率随目标声源数量的增多而降低,随声源信噪比的上升而提高;本文提出的三阶累积一维分量广义二次互相关算法相较于传统广义二次互相关算法能带来更高的定位精度,而且定位精度随目标距离的增加而降低,随声源数量的增长而下降。