随着声源定位技术的快速发展,基于麦克风阵列的声源定位技术在语音增强、语音降噪、军事检测、服务机器人等许多方面都有着广泛的应用。但是诸多的干扰因素不可避免,严重影响了声源的定位准确性,从而导致无法定位。尤其在室内环境中,往往会存在噪音、混响等问题。所以,在进行声源定位时,增强声源定位系统的鲁棒能力,提高声源定位的准确性是声源定位技术的研究难点。本文从机器学习的角度来处理声源定位问题,针对在某些实际情况下感兴趣的声源位置仅局限于某些预定义的区域,以及已有的定位技术在非结构化的室内环境中定位精度不足和适应性欠缺等问题,提出了一种基于卷积神经网络(Convolutional Neural Network),CNN的室内声源区域定位的研究方案,将麦克风采集到的声源信号转化成语谱图构建定位数据集并输入到卷积神经网络中进行训练,实现了室内单声源的定位。然后,利用Tensorboard可视化了卷积神经网络的训练和测试结果,使卷积神经网络的训练过程更加直观。最后,将其与KNN(K-Nearest Neighbor)、BP(Back Propagation)神经网络和SVM(Support Vector Machine)这三种机器学习的方法进行对比测试,通过仿真验证了该方法的有效性。在此基础上,为了解决深层神经网络的网络结构复杂耗时长等缺点,提出了一种基于宽度学习系统(Boarding Learning System,BLS)的声源定位方法,该方法首先将采集到的数据的特征作为网络的特征节点。然后,将所有映射的特征和随机生成权重的增强节点直接连接到输出端,对应的输出系数通过伪逆求得。最后利用训练好的宽度学习系统网络模型对测试点进行预测,判断测试点所属区域。实验结果表明了宽度学习系统的方法在声源定位中保持了一定精度的同时也降低了时间消耗。