利用无源传感器阵列对随机电磁源进行定位,在通信、雷达、生物医学等生活中的各个方面都得到了广泛应用。阵列信号处理技术是信号处理技术中的一个重要分支,其目标是对天线接收到的数据进行处理,以增强所需要的有用信号、减少无用的干扰信号和噪声,并提取出有价值的信号特征和到达波信息。波达方向（direction of arrival,DOA）估计及波束形成（beam forming）是阵列信号处理中重要的研究内容。传统的计算方法耗时长,不能很好地满足实时性的要求。本论文以机器学习为基础,对于宽带DOA估计和宽带波束形成算法设计进行了研究,所完成工作的主要工作和创新如下:（1）对于宽带DOA估计和宽带波束形成设计过程中所采用的几种机器学习主要方法,第二章介绍了它们的原理和算法实现的步骤。（2）对于宽带DOA估计问题,为解决实时性问题,第三章提出了一种基于二次分类的神经网络结构,其中包括粗分类和细分类两大部分。第一层网络的设计实现时,对输入到第一层的信号数据进行降维处理,以降低分类器的设计复杂度。在初步完成粗分类功能后,对并行分类器个数较多的问题进行了优化设计,在减少了分类器个数后依然可以达到较好的分类精度。第二层网络的设计实现时,首先选用了较简单的单层神经网络,这种网络结构训练时间短,在处理来波个数较少的问题时,可以达到较高的精度。为了进一步增加所设计网络的实用性,使其可以在未知多个到达波个数的情况下进行DOA估计,增加了第二层细分类网络的训练样本个数,并改用深度神经网络去实现该设计要求。并对于训练过程中的过拟合现象引入了正则化算法,增强了模型的稳定性。（3）对于宽带波束形成问题,同样为达到实时性较好的目的,第四章选用了不同的神经网络模型进行了比较,最后选用了深度神经网络模型。针对深度神经网络结构较复杂的情况,对于初步搭建的深度神经网络结构进行了优化,并且对几个会影响到网络性能的主要参数分别进行了讨论和仿真,在进行了权衡后完成了最后的设计,在保证算法准确性的同时大大提高了计算效率,证明了该模型可以满足实际应用中实时性的要求。