声源定位技术是麦克风阵列信号处理领域的重要研究热点之一。考虑到在某些实际情况下如视频会议中,感兴趣的声源位置仅限于某些预定义的离散区域,因此近年来基于深度学习的声源定位方法得到了广泛研究,该方法将声源定位问题转换为分类问题并取得了较好的效果。基于深度学习的声源定位方法关键之一在于有效的提取声源位置特征。现有的广义互相关相位变换加权特征由于能够在一定程度上抵抗房间混响的影响,从而被广泛的用于基于深度学习的声源定位方法中。但是,我们的研究结果表明该特征不适用于小尺寸麦克风阵列。另外,在网络结构方面,卷积神经网络采用局部连接、权值共享以及下采样方法,从而获得了很好的平移、旋转和收缩不变性,使得所提取的特征更有区分性。因此本文采用卷积神经网络作为分类器,研究了小尺寸差分麦克风阵列的声源定位方法。具体工作和贡献如下:1.首先针对现有的基于一阶正交差分阵列的声强特征提取过程中采用的平均处理方法造成局部时频点声强信息丢失的问题,本文对每个时频点的声强特征进行单独处理,并将所有时频点的声强信息作为网络的输入。另外,在网络构造方面,现有的方法采用浅层网络——最小二乘支持向量机作为分类器,从而无法精确的学习有关声源位置的信息,识别能力较差。本文采用卷积神经网络作为分类器,并在所提特征基础上给出一个合适的网络模型。与传统卷积神经网络相比,本文采用的网络模型卷积层后不包含池化层,因为研究结果发现池化层的使用会使定位性能下降。仿真结果表明,所提方法对混响、噪声、空间分辨率以及信号长度敏感度较低,具有较高的定位精度和鲁棒性能且能够有效的适用于小尺寸阵列。2.为了进一步提升现有特征在复杂声环境下的鲁棒性,提出了一种改进的鲁棒特征提取方法。首先对现有特征提取过程中所存在的问题进行理论分析,揭示其对噪声较为敏感的原因。然后在此基础上提出了一种改进的白化加权方法,该方法将声压与振速分量之间的相关性进行解耦,从而降低噪声在加权函数中的贡献,有效提高了算法对噪声的鲁棒性。另外考虑到差分阵列对阵元失配误差较为敏感,例如麦克风增益和相位误差。因此,本文研究了在不同失配误差影响下各方法的定位性能。仿真结果表明,对于小尺寸麦克风阵列,改进的鲁棒声强特征能够在混响噪声以及高空间分辨率情况下获得更高的定位精度,且对信号长度敏感度较低。另外,与基于最小二乘支持向量机的方法相比,基于卷积神经网络的方法受阵元失配误差影响较小,且由于特征提取的鲁棒性,本文提出的方法能够获得更好的定位性能。3.在实际室内环境下搭建平台并采集数据对本文提出的方法进行验证。与现有方法采用实测数据进行训练不同,本文采用仿真数据预训练网络模型并通过实测数据进行测试,从而可以更好的验证各种方法处理训练与测试环境之间不匹配的能力。实测结果表明,与仿真结果一致,与现有方法相比,本文提出的方法在实际环境下仍能在分辨率较高时获得较好的定位精度和鲁棒性能。