声源定位算法如今被广泛应用于视频会议、可视电话、移动通信、监测监控系统、航空航天、军事、医疗等领域。随着阵列信号处理技术的日益精进，声源定位算法已不再拘泥于单一参数估计的远场源估计，而发展为双参数估计的近场源定位。　　自压缩感知理论提出以来，学者将其应用于近场声源定位算法中，但仍旧出现在低信噪比时精度不高、计算量大等问题。针对这些问题，本文对基于稀疏重构的近场声源波达方向及距离估计算法作了研究与改进。本文介绍了有关压缩感知与贝叶斯学习的相关理论基础，并阐述了三种经典的稀疏重构类算法，对其性能作了分析，通过仿真表明在低信噪比与低快拍数情况下估计精度还有很大提升空间。本文主要创新工作如下：　　（1）针对现有算法在低信噪比下均方误差较大，同时分辨概率不足的问题，本文提出了加权稀疏信号重构的近场声源定位算法。在现有l1类算法的基础上，首先进行双参数分离，然后构造类 MUSIC权向量，重构稀疏空间谱得到目标波达方向。根据估计角度值，利用稀疏信号重构思想得到距离估计。最后通过实验仿真验证提出新方法拥有更高的精确度及分辨概率。　　（2）针对l1范数类算法存在着计算量大的问题，为了减小计算复杂度，将稀疏贝叶斯学习应用于近场源定位模型中，提出了联合稀疏贝叶斯学习与子空间的近场信号源定位算法。仿真表明该算法在缩短运算时间的同时也能保持较高的准确度。　　（3）针对稀疏贝叶斯估计算法角度均方误差呈规律变化的问题，提出基于稀疏贝叶斯源定位的补偿算法，实验表明该算法能在一定程度上提高估计精确度。