波达方向（Direction of arrival,DOA）估计是阵列信号处理的一个基本问题,广泛应用于雷达、声纳以及移动通信等军事和民用领域中。因此,DOA估计算法在理论研究与实际应用中都有十分重要的意义。但在许多实际应用场景中,源信号往往会发生多径传播或散射现象,并形成一定的空间分布,此时需要考虑源信号的空间分布信息,建立分布式源模型。基于子空间的非相干分布式源定位算法存在信号子空间与噪声子空间难以准确求解、源信号的分布函数需精确已知且多个源信号的分布类型一致等问题。近年来,深度学习在DOA估计领域中已经有不少的研究和应用,但基于深度学习的DOA方法仅针对点源模型或未考虑角度扩展参数估计。针对以上问题,本文研究了基于深度学习的非相干分布式源定位方法,为基于深度学习的非相干分布式源定位技术提供理论和应用参考。论文的主要研究工作和成果如下:1.提出了一种基于DNN的非相干分布式源定位方法。该方法将DNN模型设计成中心角估计器和角度扩展估计器两部分,并引入一个Lambda层,将两个估计器连接起来构成完整的DNN模型。该模型将中心角参数和角度扩展参数解耦,有效解决了多个源信号存在时中心角和角度扩展参数之间的匹配问题。另外,我们还引入了迁移学习的方法解决预训练模型的样本分布未包含目标分布类型时性能下降的问题。仿真结果表明所提方法拥有比子空间类算法更优越的性能,能在多个源信号具有不同分布类型的情况下进行DOA估计。2.提出了一种基于CNN的非相干分布式源定位方法。该方法使用CNN模型输出稳健的方向角功率密度曲线,并根据该曲线提出了两种参数估计方法。第一种方法在假设源信号方向角功率密度函数为单峰函数且多个源没有发生较大重叠的前提下,利用峰值检测与分割的方式实现参数估计。第二种方法提出了一个与具体阵列流形无关的空间谱函数,通过谱峰搜索实现参数估计,并使用迁移学习解决源信号分布类型与预训练模型分布不匹配的问题。仿真结果表明所提CNN模型能输出稳健的方向角功率密度曲线,计算空间谱方法与峰值检测分割的参数估计方法均拥有比子空间类算法更优越的性能。3.对DNN模型和CNN模型分别进行了优化,使其在估计分布式源参数的同时判断阵列观测范围是否存在有效的源信号入射,能更好的应用在实际场景中。然后搭建了一套麦克风阵列实验平台硬件设备,编写了与之配套的麦克风阵列音频采集工具,实现了实测音频数据采集与保存的功能。使用该实验平台采集的实测数据对所提基于DNN模型和CNN模型的分布式源定位方法进行测试,实验结果验证了所提方法的有效性,以及良好的泛化能力。