随着科学技术的飞速发展,雷达目标定位领域对抗干扰、多环境和实时的技术的需求越来越高,而近年来神经网络算法与各个领域结合的飞速发展使其成为了可能。本文主要研究了基于传统相控阵的稀疏阵列的远近场目标定位以及基于单频接收机制下频控阵（FDA）与神经网络结合的目标定位算法,根据阵列雷达接收回来的回波信息来确定目标的角度信息和距离信息。本文的主要工作如下:1.针对存在远近场目标的场景下,相控阵目标定位精度不高的问题,提出基于稀疏阵列的远近场目标定位方法。该方法使用稀疏对称阵列模型,扩大了阵列孔径,有效的改善了阵列孔径损失的问题。首先,通过选取三个子阵的特殊点接收数据与各个子阵的接收数据进行四阶累积量的计算,获得一个只与远近场目标信号的角度相关的矩阵,对矩阵特征值分解后利用MUSIC算法进行谱峰搜索获得远近场目标的角度,然后将其作为已知信息,对近场目标再次使用MUSIC算法得到距离信息。该方法使用两次一维的MUSIC算法,降低了算法计算的复杂度,同时,增大了阵列孔径,提高了目标定位的精度。2.针对相控阵天线方向图只依赖于角度,而与距离无关,存在距离模糊的情况下无法有效测距的问题,本文采用频控阵,利用特有的依赖于距离的波束方向图特性实现距离和角度定位。为了增强适应环境能力,将其与神经网络结合,提出了基于改进粒子群-BP神经网络（IPSO-BP）的频控阵目标定位方法,通过构建单频率增量的频控阵收发模型,使用非线性权值改进的粒子群（IPSO）方法优化FDA-BP算法,改善其容易陷入局部最优点,且对网络权值和偏置初始化敏感的问题,最后将训练好模型的权值和偏置固定下来,将测试的样本数据输入模型中获得了目标距离和角度。该方法避免了需要多个频偏实现角度距离解耦合的问题,具有良好学习性和预测性的特点。仿真实验证实了所提定位方法的有效性。3.基于FDA-BP算法虽然在目标定位的复杂度和精度上有了很好的改善,但为了提升精度常用的办法是增加样本数据,而全连接组成的FDA-BP算法在大样本数据量的情况下,存在无法进行快速有效的计算且容易产生过拟合的问题。针对这个问题,本文提出了基于CNN频控阵目标定位方法,该方法使用CNN算法结合频控阵的波束特性去耦目标的距离和角度,直接获得目标的距离、角度信息。且该方法的权值共享、局部连接和池化的功能,降低了庞大样本数据带来的过拟合可能性,能快速地实现并行计算。该方法在提升目标定位精度的同时,在实时性上也有很大提高。仿真实验证实了所提定位方法的有效性。