密封电子设备是指卫星、导弹、发动机和无人机等这些具有特定功能的系统或系统内部的重要组件。多余物问题一直是影响密封电子设备可靠运行的重要原因。随着被测设备的体积越来越大,检测出的多余物的清理工作变得非常困难,多余物的定位问题开始受到越来越多研究人员的关注,多余物的定位既可以帮助工作人员清理多余物,也能指导研究人员对多余物进行预防和控制。本文针对密封电子设备的多余物定位方法展开了深入的研究。首先,搭建多余物定位实验系统,包括对声发射传感器的选型和布局;设计密封电子设备实验模型,以模拟实际电子设备的结构;研制多通道声音采集装置,实时同步采集多路多余物检测信号;确保采集的多余物检测信号能充分反映多余物的位置信息;研究传统声发射源定位方法和机器学习领域的分类算法,对比两种方法的优缺点和用于多余物定位的可行性。其次,对多余物信号进行分类,研究由多余物位移引起的声发射波在介质中的传播特性,分析多通道检测信号的时频域特性,验证利用波的衰减特性进行多余物定位的可行性;对多余物检测信号进行预处理,针对本文实验的多余物信号的特点,设计两级双门限脉冲提取算法;然后对多余物脉冲信号进行时频域分析,提取表征多余物位置的特征量,并从信息增益和分类精确度的角度对定位特征进行分析,选择对多余物的定位价值最大的特征作为定位特征。最后,针对传统多余物定位方法定位精度低,应用受限等问题,提出基于机器学习的多余物定位方法。从单分类器的定位研究扩展到多分类器集成学习的定位研究,设计基于支持向量机和随机森林的多余物定位模型;在基本模型确定之后,进一步对定位模型进行优化,提高模型的定位性能。与单个分类器的多余物定位模型相比,基于随机森林的多余物定位模型有更好的泛化能力。实验结果表明,与前人的多余物定位研究相比,基于机器学习的多余物定位方法解决了传统多余物定位精度低,普适性差的问题。