在浅海波导环境中,声信号传播受海底特性影响显著。海底声学参数的准确估计对声传播损失（Transmission Loss,TL）预测和声呐性能评估具有重要意义。原位测量能直接获取海底参数,但设备成本高,操作难度大且测量范围小。利用测量声场反演海底声学参数（地声反演）是一种更高效获取海底声学特性的手段。舰船这类机会声源的辐射噪声存在能量较高的线谱,其在传播过程中携带海底信息且获取成本低、环保,适合用于地声反演。近年来,机器学习在图像处理、机器翻译等领域取得了巨大成功,并逐渐应用于水声领域,如声源定位、成像和环境参数反演等。针对快速获取水平变化环境的地声参数的应用需求,论文研究了一种基于拖曳线阵（Towed Line Array,TLA）接收拖曳船自噪声的地声反演方法。结合到达角和高分辨到达时间联合估计,在匹配场框架下研究如何利用机器学习加速地声反演。为了降低反演难度,论文首先分析了TLA距离和深度对地声参数敏感性的影响。仿真结果表明,通过设置合理的拖曳深度和距离,TLA可达到与全深度布放的垂直线阵（Vertical Line Array,VLA）、锚定在水底的水平线阵（Horizontal Line Array,HLA）和分布式传感网络（Distributed Sensor Network,DSN）这三类阵型相近的匹配场反演性能。在走航过程中,TLA不断获取舰船噪声用于匹配场反演。海底先验信息的缺乏和声学传播模型的多次调用导致反演效率低。为了加速反演,论文提出了一种基于高分辨到达时间的沉积层参数估计方法。在时域高旁瓣下,利用时域解卷积和波束形成,实现到达角和高分辨到达时间联合估计,并结合地震波数据分析中使用的tau-p关系估计沉积层层数和厚度。相比地声反演,该方法不需要在多维参数空间搜索,计算复杂度低。所获取的沉积层参数可作为匹配场反演的先验信息,以提高反演效率和准确性。匹配场反演等价于从高维参数空间的一个随机初始点出发,通过参数扰动不断更新参数向量,直至收敛。在传统匹配场反演过程中,所有参数扰动都需要调用计算耗时的声学传播模型判断接受或者拒绝,从而限制了反演效率。针对该问题,论文提出利用深度学习模型拟合地声参数与目标函数值间的正向映射,在迭代过程中,将其作为代理模型针对参数扰动的有效性进行预筛选;并进一步利用声学传播模型提高判断的准确性,以补偿深度学习模型的计算误差。预筛选处理减少了声学传播模型的调用次数,在不影响反演准确性的情况下,可极大降低反演耗时。论文通过仿真和海试数据处理,验证了基于高分辨到达时间的沉积层参数估计方法和基于深度学习的快速匹配场反演方法的可行性、高效性与准确性。利用TLA接收的舰船噪声快速获取参数估计值及其不确定性,有望实现大范围海底环境建模。