水下声源被动定位是水声学中的一项重要技术,无论在军事还是在民用领域其都扮演着重要的角色。匹配场处理技术（Matched field processing,MFP）将海洋波导与信号处理技术相结合,以其可以实现超远距离定位的特点成为水下声源被动定位的重要方法。然而匹配场处理存在着两大主要问题,一个是定位精度随接收信噪比降低而快速下降;另一个是环境失配,即当模型计算声场结果不准确时,定位精度同样会大幅下降。针对信噪比较低问题,本文提出多子阵列联合定位算法。在水听器总数保持不变的前提下,将单个水听器阵列划分为多个垂直水听器子阵列并放在不同位置进行独立定位,之后融合子阵列的定位结果,以减少噪声对定位结果的影响。在传统的Bartlett处理器的基础上,推导出了多子阵列系统的平均定位误差随每个子水听器阵列接收信噪比和水听器数量变化的公式。该公式用来确定多子阵列系统的最佳结构,即水听器子阵列个数以及每个子阵列的水听器个数。在总水听器个数保持不变时,通过设计多组不同水听器阵列系统,并将子阵列的接收信噪比和水听器数目两个参数代入公式计算定位误差,选取定位误差最小的分组进行定位。为了解决环境失配问题以及进一步提高定位性能,本文进而提出了一种基于卷积神经网络的水下声源被动定位算法。利用大量接收场强数据,将定位问题转化为分类问题。本文设计了一个卷积神经网络实现声源位置分类,将接收信号声压场向量的互谱密度矩阵作为网络的输入,利用卷积神经网络特征提取能力学习每个声源位置的声压场特征。该网络不需要通过水声信道模型计算声压场,直接根据接收数据来训练网络,因此避免了产生环境失配问题。由于卷积神经网络可以直接对矩阵进行特征提取,因此可直接将不同子阵列的互谱密度矩阵进行合并作为网络输入,当采用多阵列联合定位时,输入矩阵由于数据来源不同,特征更加明显,从而提高网络分类能力。本文通过海上实验数据验证多阵列与单阵列的平均定位性能。在不同信噪比条件下进行多子阵列的定位仿真实验,实验结果表明在接收信噪比较低的情况下,多子阵列定位系统的精度明显高于单阵列。通过设计分组实验寻找最佳水听器阵列数以及每个子阵列的最优水听器数目,并验证了公式的正确性。通过仿真数据验证不同搜索步长与不同信噪比下卷积神经网络的定位性能。结果表明在信噪比和步长较大时,卷积神经网络定位精度更高。最后通过分组实验,证明使用卷积神经网络定位时,多阵列定位精度明显高于单阵列。