水声定位技术是一项广泛应用于军事和民用领域的技术,而超短基线（Ultra-Short Baseline,USBL）定位系统由于其体积小、易于安装等优点广泛用于水下定位。然而由于传统USBL水下定位系统仍然存在一些问题还没有去改善解决,比如定位信号波形抗噪抗多径性能差、定位算法存在相位模糊等问题,都无可避免的降低了定位的准确度,因此USBL水下定位系统还有待进一步的研究。本文就USBL水下定位系统中存在的这两个问题展开研究,主要相关工作如下:（1）将非线性调频（Non-linear Frequency Modulation,NLFM）波信号引入USBL水下定位系统中,以解决传统USBL水下定位系统定位信号第一旁瓣电平高、抗噪性能差等问题,实验仿真验证了所设计的NLFM信号具有更低的旁瓣以及较好的抗噪性能,且使得USBL系统具有较高的距离分辨率。（2）研究基于深度学习的水下到达时差（Time Difference of Arrival,TDOA）估计模型,该模型融合了时间卷积神经网络（Time Convolutional Neural Network,TCNN）和长短时记忆（Long Short-term Memory,LSTM）模块,使得之前的TDOA估计值可以用于预测当前和未来的TDOA值,这提高了系统对TDOA的估计精度以及稳健性,对比仿真验证了该模型的有效性。（3）应用基于五元均匀圆形水听器阵列的TDOA水下定位算法,解决传统USBL定位系统由于存在相位模糊,导致定位精度变低的问题。该算法首先获得声信号到达不同阵元TDOA,利用TDOA数据计算出声源的二维坐标,然后使用优化最小化（Majorization-Minimization Optimization,MM）算法对其结果进行优化以减小误差,最后使用基于到达角（Angle-of-Arrival,AOA）的算法计算出声源的第三维坐标,即声源的深度,提高了系统的定位精度。（4）将设计的信号、定位算法应用到USBL定位系统中,通过实际的水下实验验证了信号以及所提算法的有效性和稳健性。