1.一种基于卷积神经网络CNN的声源定位算法，其特征在于，包括以下步骤：步骤1：利用Roomsim工具包模拟出在带有混响和噪声的室内环境，根据两个麦克风接收到的信号x1(t)和x2(t)，计算出麦克风接收信号的互相关函数 再进行分帧截取及特征提取，得到训练集，为下一步的模型训练做准备。

步骤2：将互相关函数特征作为输入，按照一维CNN进行模型训练，训练过程中，激活函数采用ReLU函数，其数学表达式为：f(x)＝max(0,x)  (1.12)

步骤3：计算出CNN模型参数后，即完成模型训练后，利用和生产训练数据一样的方法得到测试数据Y'，将其输入CNN模型后，利用贝叶斯决策来构建判决式决定测试样本的类别，即利用高斯概率模型对类条件概率密度P(z|Ck)建模，然后根据贝叶斯决策最大化正确分类率：其中Rk表示决策域，即在决策域Rk内的样本都属于Ck类，此时只需要根据贝叶斯定理p(z,Ck)＝p(Ck|z)p(z)，而p(z)对于所有项是相同的，所以只要找出后验概率p(Ck|z)最大的类别即为样本z所属的类别，即声源的方位。

2.根据权利要求书1所述的一种基于卷积神经网络CNN的声源定位算法，其特征在于,步骤1所述的特征提取的具体步骤如下：步骤1.1：声源位于训练位置rs,s＝1,2,...,k，麦克风阵记录下声源在该位置处发出的信号s(t)；

步骤1.2：根据房间脉冲响应和声源信号计算得到麦克风接收到的混响信号x1(t)和x2(t)；

步骤1.3：根据麦克风接收到的混响信号x1(t)和x2(t)，经过预处理后，计算相位变换加权广义互相关函数步骤1.4：对 进行分帧截取，得到训练集Y。