基于到达角的无源定位技术具有隐蔽性高、探测距离远、操作简单等优点,在军事侦查、室内定位和无线传感器网络等领域中受到越来越多学者的重视。与传统统计参数估计方法不同,本文尝试使用现代深度学习的框架求解基于到达角的单个与多个信号源定位的问题,期望通过经验学习的方式提升定位精度。在单目标定位任务中,目前大部分算法都是基于统计优化来求解目标点的坐标。随着噪声水平的增加,算法的定位性能急剧下降,普遍具有泛化能力差、不能有效的学习定位环境中误差等缺点。在多目标定位任务中,随着参考点和目标点数量增加,使得定位空间中两两测向线出现大量虚假交叉点,从而生成虚假目标点。有效的剔除虚假目标点是提高多目标定位性能的关键。现有的多目标定位算法普遍具有以下几个缺点:⑴不能有效的剔除虚假目标点,只能在几个参考点和目标点的情况下做到剔除虚假目标点,当参考点数量增加时算法的虚警率会大大提高。⑵不能有效的学习定位环境中的误差分布,模型的泛化能力差。针对以上单个和多个目标定位方法存在的问题,本文通过将定位任务的求解域转换到直观的几何数据渲染得到的图像上,用计算机视觉与深度学习的现代方法进行求解。具体而言,本文将单目标定位任务转换为视觉目标回归任务,而将多目标定位任务转换为图像语义分割任务,从而实现利用深度神经网络模型来高精度的定位单个与多个目标点。本文的主要工作及创新点如下:（1）在单目标定位任务中,本文首先提出通过求解域的转换将单目标定位任务转换为视觉目标的回归任务,利用样本生成算法来生成数据集。接着提出定位卷积神经网络（LocNet）模型来对样本建模,从而解算目标位置。其中求解域的转换和样本生成算法是单目标定位任务的核心部分。通过LocNet模型的复杂表征能力去学习环境中目标点周围的空间分布,来提高目标的定位性能。仿真实验表明:在较高的噪声水平下,模型的定位性能超越了传统的最小二乘模型的克拉美罗下界（CRLB）,且具有较强的泛化能力。（2）在多目标定位任务中,本文通过求解域的转换将多目标定任务转换为计算机视觉的语义分割任务。根据笔者调研所知,本文是首次将语义分割神经网络模型应用到基于到达角的多目标定位领域。其中,求解域的转换和样本生成算法是多目标定位的核心内容。本文提出基于编码-解码架构的多目标定位语义分割网络（MLocNet）模型来实现对样本图像空间进行去噪和重构,从而实现剔除虚假目标点,提高多目标定位性能。仿真实验表明:随着参考点和目标点数量增加,本文提出的算法与目前的其他多目标定位算法相比模型能够有效的剔除虚假目标点,具有高覆盖率和低虚警率。即使在参考点数量为20、目标点数量在2～20的情况下,模型的定位性能指标F₁依次能够超出基准线最小距离法的定位性能37%左右。