海洋可以为人类社会持续发展提供新的生存空间和各种资源。开展海洋环境调查、勘察海底地声特性对于开发和利用海洋资源具有重要意义。本文基于地声和水声联合方法进行浅海环境参数反演研究。前者基于频散曲线地声参数反演方法,结合数据驱动的神经网络反演算法,将反演所得参数作为水声反演方法的先验信息,提高地声参数反演性能和收敛速度;后者基于匹配场反演方法,结合多输入多输出（Multiple-In Multiple-Out,MIMO）地声参数反演架构,利用空间分集和频率分集,进一步提高反演性能。具体地,论文完成工作如下:（1）Scholte波频散特性与神经网络反演算法。浅海环境下声信号激发的海底表面波称为Scholte波。本文首先从两层介质（海水、半无限弹性海底）出发,研究了两层波导环境下Scholte波的频散特性,并对特征方程进行分析,得到频散现象发生的约束条件。之后将模型扩展为含沉积层模型,给出三层模型下的特征方程,并分析环境参数对频散特性影响程度。引入神经网络算法,利用大量不同环境下的频散曲线训练网络,学习环境参数与频散曲线的映射关系,实现地震波频散曲线反演地声参数。最后,将地震波频散曲线反演结果作为MIMO地声参数反演的先验信息,通过仿真验证其对反演性能的提升效果。（2）MIMO地声参数反演。基于分布式节点和移动声源,构建了MIMO地声参数反演框架。将移动声源在多个位置发射信号与分布式节点等效为多个位置发射和多个位置接收的MIMO实验构架,利用空间分集或信号的频率分集提高地声参数反演性能。采用频率相干目标函数避免多个节点接收信号时间不同步问题。利用信道容量分析空间分集增益,通过与垂直阵和水平阵地声参数反演对比,验证空间分集与频率分集的有效性。（3）实验验证算法有效性。使用神经网络方法,对海上实验获得的Scholte波频散曲线反演,得到该海域的沉积层参数,验证神经网络频散曲线反演算法的有效性。同时,使用MIMO反演方法对海试数据进行反演,通过与实际测量值、参考文献反演结果以及传统方法对比,验证了算法的有效性,体现空间分集与频率分集的优势。