多输入多输出（Multiple input multiple output,MIMO）雷达是把无线通信系统中的多个输入和多个输出技术引入到雷达领域,并和数字阵列技术相结合而产生的一种新体制雷达。MIMO雷达为了获得超高的角度分辨率,在雷达节点采用天线阵来发射/接收（Tx/Rx）信号。其核心是从多个角度测量目标的到达角（DOA）。但由于功率限制,MIMO雷达可能无法利用所有天线单元来发射/接收（Tx/Rx）信号。因此,有必要部署一个完整的阵列并选择一个最佳的Tx/Rx解决方案。本文针对MIMO雷达的阵列优化问题,以MIMO雷达DOA估计误差的CRB为准则,提出了一种用于快速分类的CNN辅助框架,研究了基于深度学习的MIMO雷达阵列优化的方法。以下是本文的主要研究工作:1)介绍了MIMO雷达的概念、研究背景以及国内外研究现状,阐述了国内外MIMO雷达角度估计和MIMO雷达阵列优化的基本概况以及现存阵列优化的不足,引出了本文内容。2)阐述了MIMO雷达基本矩阵知识,给出了模型假设,并建立了雷达阵列天线模型以及双基地MIMO雷达模型,阐述了两种经典的MIMO雷达角度估计算法,并对其进行仿真,最后介绍了这两种算法的优缺点以及改进方向的建议。3)着重介绍了人工神经网络基础以及相应的深度学习框架,提出了CNN（卷积神经网络）的基本算法,并对其算法框架进行公式推导,接着介绍了FNN（前馈神经网络）、NB（朴素贝叶斯）的算法结构和网络框架,并对两种算法的模型进行建立,推导了核心算法公式,引出了深度学习网络和传统雷达算法对于雷达阵列优化的不同差异。4)首先研究了基于CNN的MIMO雷达阵列天线优化,利用CNN算法通过贪婪搜索的处理,以CRB（克拉美罗界）为基础条件,选择出最优的Tx/Rx对,并提出了一种基于CNN的快速分类框架。紧接着研究了CNN、FNN、NB等几种深度学习算法和经典MIMO雷达算法对于阵列优化的比较,并通过仿真模拟计算了算法的预估准确度、训练时间、测试时间,通过比较深度学习算法和经典算法之间的性能差异,实现MIMO雷达阵列优化的最大化选择。