基于麦克风阵列的波达方向（Direction of Arrival,DOA）估计是研究阵列信号处理领域的一个重要分支,它在军事领域和民用领域有着广泛的应用,如军事雷达定位、车载电话和视频会议系统等。近年来,由于机器学习算法和深度学习在各个领域表现出的优异成绩,将机器学习和深度学习应用于声源定位已经成为了研究的主流方向。相比传统的声源定位算法,基于这类算法的声源定位方法有着更好的鲁棒性和精确性,针对此类方法,本文做了以下几方面的深入研究:1、为了提高麦克风阵列信号DOA估计的自由度,提出了一种基于稀疏贝叶斯（Sparse Bayesian Learning,SBL）在未知噪声场的欠定宽带DOA估计算法。该算法利用互质阵列可以提供虚拟阵元的特点,增加阵列的自由度。SBL算法无需源信号个数的先验信息,通过定点更新使得稀疏信号重构达到全局收敛的效果,进一步增强了DOA估计在低信噪比情况下的适应能力,提高了DOA估计的稳定性和精确性。2、针对由于混响和噪声干扰导致特征数据不易区分从而使得定位性能下降的问题,本章提出了基于LDA（Linear Discriminant Analysis,LDA）特征变换的LSTM（Long ShortTerm Memory,LSTM）神经网络的DOA估计方法。首先,对麦克风接收的混响信号进行协方差矩阵计算,然后利用协方差矩阵计算线性判别分析投影矩阵W,并转换成投影数据集Z,利用投影数据集Z训练LSTM神经网络得到信号的DOA估计。3、针对传统神经网络在DOA估计上存在稳定性差、精确度低,以及在低信噪比和样本数过多或过少的情况下误差增大的问题,提出了基于SVM（Support Vector Machine,SVM）的局部加权LSTM（Local Weighted Long Short Term Memory,LWLSTM）神经网络的DOA估计方法。首先由麦克风阵列接收宽带信号并进行预处理,然后将处理好的信号协方差矩阵的上三角阵转换为输入序列作为局部加权LSTM神经网络的输入训练网络,得到子带信号的DOA估计结果。最后通过子带信号的输出结果训练SVM模型,将子带信号DOA估计结果进行融合得到宽带信号的DOA估计结果。4、分析第三、四、五章提出的DOA估计算法并实现语音定位系统。实验结果表明,本文提出的DOA估计算法定位精度高,有着更强的鲁棒性,可以满足实际定位的需要。最后,对本文所完成的工作进行总结,并对存在的不足之处做出展望。