随着麦克风阵列信号处理技术的发展,麦克风阵列被广泛应用于声源定位中,尤其是室内环境下（例如会议室、演讲厅、多媒体教室）。但是现有基于麦克风阵列的室内声源定位技术在噪声大、混响强的环境中存在定位准确率不高的问题。近年来发展迅速的卷积神经网络相对于传统方法,能够学习到具有更强泛化能力的特征,进而有效提高定位性能。因此,将卷积神经网络与传统声源定位技术相结合已经成为研究热点之一,具有广泛的应用前景和良好的实际应用价值。本文针对室内混响环境,重点研究卷积神经网络（CNN）在传统声源定位算法中的应用。首先针对有无混响的情况,介绍了麦克风阵列的理想模型与混响模型,以及常用产生房间脉冲响应的Image方法。然后通过仿真实验发现了常用的可控功率响应波束形成（SRP）算法在混响环境下定位效果不佳,因此首先研究了基于波束形成的CNN声源定位算法。传统的SRP算法通过不同频段直接叠加后寻找最大值来实现波达方向估计,而本文利用CNN对于不同频段的权值因子进行训练,划分为贡献型分量和破坏型分量,然后进行加权叠加实现性能更优的方向估计。为了进一步探究CNN在室内声源定位中的应用,本文还研究了基于匹配场的CNN声源定位方法,该方法通过将房间划分为一个个相同大小的声源位置,计算不同麦克风接收到的信号之间的互功率谱密度矩阵,将矩阵放入CNN模型直接进行训练从而从分类器角度实现声源定位。最后,通过开展仿真以及外场实验,验证了上述两种算法具有良好的定位准确性,研究成果为CNN在基于麦克风阵列的声源定位领域中的广泛使用奠定了良好基础。