随着智能设备的逐渐发展,对声音源的位置进行定位的技术已经成为大多数智能应用设备中最基本的功能。所以,对于声源定位系统而言,如何让系统更好的提升其环境适应能力是目前该领域中研究的主要内容。最近几年,随着高性能低成本的运算处理器逐渐地商业化和越来越多的软件程序以及资料库的开源,使得深度学习在大多数领域取得飞快的进展。基于深度学习的声源定位算法也开始得到相关研究人员的关注。与传统算法相比,基于深度学习的算法拥有更高的识别精度和更强的鲁棒性,它为该领域发展提供了研究条件。本文首先对声源定位的主要技术进行分析和研究,其中包括传声器阵列模型的种类、如何确定传声器之间的最小间距、语音信号采集之后需要进行的三部操作(预加重、分帧加窗和特征提取)以及端点检测方法。其次对多重信号分类算法和TDOA结合深度学习算法的定位原理进行深入理解,总结这两种算法的优缺点并针对缺点提出适当的改进方案。其中多重信号分类算法计算量大提出利用FPGA加快计算效率。TDOA结合BP神经网络的定位方法中网络规模较大,于是提出更换网络模型和优化输出标签的改进思路。然后为了提升多重信号分类算法的计算效率,利用FPGA进行优化设计,设计出相应功能所需的硬件模块。最后提出多重信号分类算法结合卷积神经网络的定位方法,利用多重信号分类算法中的互相关特征矩阵对神经网络的输入进行改进,根据特定环境设计神经网络特定的分类标签,并采用了残差网络训练提高学习速率。经过对比验证发现训练后的网络模型提升了复杂室内环境下的声源定位准确率。