水下声源目标定位技术在海洋资源的勘探以及海战场中定位敌对潜艇目标不可或缺,其在水声和国防领域的重要性不言而喻。目前,水下声源定位传统方法是将声源信号和建立的声场模型进行匹配,但存在海洋参数未知和环境失配等一系列问题。随着深度学习在各领域的出色表现,根据其不受环境因素影响的特点以及在声信号处理方向的潜在能力,本文基于深度学习提出一种水下声源定位方法。本文主要工作如下:首先针对水下声源信号中蕴含着目标多维信息,存在特征复杂多变提取难度大且细微特征易被忽略的问题,通过研究深度学习中卷积操作以及时间卷积网络在时序任务的应用,提出一种基于多维感知的水声信号特征提取方法。该方法是一种具有多尺度可形变卷积滤波器组结构的网络模型,针对声信号时域和频域特征,模型使用多种尺度大小的卷积核,并在每个卷积核的采样点区域都增加了一个偏移值,从而提升特征感知范围和能力。针对模型中参数较多和计算时间复杂度高的问题,对网络模型进行轻量化改进,对于不同的输入通道使用不同的卷积核进行卷积,从而提高本章模型的特征提取能力和效率。然后本文将定位问题做回归分析处理,针对预测异常点带来的影响,目前通过现有深度学习方法实现声源定位存在易偏离真实值的问题。通过分析声源运动特点并在减少异常点影响的角度,提出基于误差惩罚权重的损失函数和评价标准,该方法对声源位置深度和距离的不同大小的误差值采用不同的误差调整方式,并通过对预测值的正负误差加权进行反向传播调整网络参数,提高回归模型效果。最后在水声信号数据集上对本文模型的特征提取效果以及声源定位回归实验效果加以实验验证,首先在数据集上验证了本文模型对水声信号特征提取的有效性,并和Lenet5以及TCN模型进行对比,验证了模型在水声信号特征提取方面具有一定程度的提升效果。其次,针对声源定位的回归实验,在数据集上验证了回归模型的可行性以及模型对声源在深度和距离的定位预测准确率上具有提升效果。