水下目标被动定位是水声学研究的重点和热点,在海洋开发、海洋工程和国防安全等领域扮演着重要角色。浅海环境中,声传播特性复杂多变,研究声源定位问题要考虑水声信道的影响。目前,匹配场处理结合声传播模型和阵列信号处理,是水下目标被动定位的主要手段之一。虽然匹配场处理在水下目标被动定位方面取得了广泛且成功的应用,但是某些情况下,比如环境失配、表面干扰、模型参数未知等,其定位性能受到严重影响或者制约。本文针对上述问题展开研究,主要工作和研究成果包括:针对环境失配问题,提出了一种基于凸优化理论和随机投影的稳健压缩自适应匹配场定位算法。从提高稳健性角度出发,首先借鉴最差性能最优思想,对自适应匹配场定位算法的拷贝场向量的不确定集进行约束,然后将由于约束条件非凸导致的非凸优化问题近似为凸优化问题中的二阶锥优化问题进行求解,最后使用非相干叠加将算法由窄带推广到宽带。从降低复杂度角度出发,引入随机投影对拷贝场向量和声压场向量降维,在保持算法稳健性的前提下降低算法复杂度。通过仿真数据和海试数据验证算法的有效性,结果表明,该算法能够有效地保持主瓣宽度和降低旁瓣高度,提高自适应匹配场定位算法的稳健性。针对表面干扰问题,提出了一种基于迭代正交投影的匹配场定位算法。该算法的基本思想是,根据干扰声源的位置信息构建正交投影矩阵,对声压场向量进行正交投影,抑制干扰声源。在干扰声源和目标声源的位置和数目未知的前提下,首先通过正交投影,初步估计出声源的位置和数目,然后引入迭代处理,更新干扰声源的定位结果,进而优化目标声源的定位结果。迭代时,根据所有非当前估计声源的位置信息构建正交投影矩阵,抑制所有非当前估计声源对当前估计声源的干扰。仿真结果表明,在水面干扰声源存在的条件下,该算法能够有效地实现水下目标声源的位置估计。针对模型参数未知问题,提出了一种基于广义回归神经网络的水下目标定位算法。水下目标定位被建模为回归问题,利用广义回归神经网络进行求解。使用声压场向量的互谱密度矩阵和相应的声源位置作为神经网络的输入和输出,利用交叉验证确定唯一的网络参数即扩展因子的最优取值。该算法是一种数据驱动算法,直接根据训练数据学习水声信道的特性,不需要声传播模型或者模型参数等先验信息。针对窄带和宽带声源,使用仿真数据和海试数据,利用传统的匹配场处理、基于分类的前馈神经网络和基于回归的广义回归网络三种方法验证算法的定位性能。结果表明,基于神经网络的算法的定位性能优于匹配场定位算法,基于广义回归神经网络的算法的定位性能优于基于前馈神经网络的算法。