基于麦克风阵列的声源定位技术是阵列信号处理领域的一个重要的研究方向,它在车载免提电话、视频会议系统以及军事领域都有着广泛的应用。近年来,基于统计学习和深度学习的声源定位技术开始备受关注,基于这类算法的声源定位方法比起传统声源定位算法有更强的鲁棒性和精确性,本文深入研究并做了如下几方面的工作:1、对基于麦克风阵列的声源定位技术的研究现状和应用背景进行深入研究,建立麦克风阵列语音信号模型,并对语音信号进行预处理。2、针对MUSIC(Multiple Signal Classification,MUSIC)归一化算法低信噪比时DOA(Direction of Arrival,DOA)估计性能下降问题,提出了基于支持向量机可控功率响应的MUSIC-DOA算法。首先对宽带信号进行快速傅里叶变换,然后用MUSIC算法进行DOA估计,最后通过SVM(Support Vector Machine,SVM)对每个子带信号的DOA估计结果进行分类,选择分类后DOA估计结果较为准确的子带信号进行融合,得到宽带信号的DOA估计,有效解决了MUSIC归一化算法在低信噪比时,定位精度不高的问题。3、针对基于均方根的多层感知器声源定位算法在低信噪比等恶劣环境下,定位性能不高,提出了基于GCC-PHAT的多层感知器声源定位方法。首先,对麦克风接收信号进行分帧加窗处理并求出信号的互相关函数,再将其作为特征输入到多层感知器中得到声源到的方位坐标,提高了定位的精确性。4、针对基于传统神经网络DOA估计方法稳定性差、定位精度不高的问题,提出了基于局部加权LSTM(Long Short-Term Memory,LSTM)神经网络的DOA估计方法。首先使用阵列协方差矩阵上三角阵作为DOA估计特征,将特征放入神经网络中训练,在训练时通过核函数对LSTM神经网络损失函数和反向传播中权重的偏导引入局部加权回归,得到DOA估计结果,提高了定位的精确性。5、分析前面提出的声源定位算法,并对第三、四和五章的算法进行语音定位系统实现。实测结果表明,本文提出的语音定位算法定位精度高,能满足实际定位需要。最后,总结本文所完成的工作,对存在的改进之处做出展望。