为了探究利用两个麦克风进行多声源分离和二维平面定位的可能性，提出了一种基于双麦克风的室内语音分离与声源定位系统。该系统根据麦克风采集的信号，建立了双麦克风时延-衰减模型，然后利用DUET算法估计了模型的时延-衰减参数，并绘制了参数直方图。在语音分离阶段，建立了二进制时频掩膜（BTFM），根据参数直方图，结合二值掩蔽的方法对混合语音进行了分离；在声源定位阶段，通过推导模型衰减参数与信号能量比之间的关系，得到了确定声源位置的数学方程组。利用Roomsimove工具箱模拟室内声学环境，通过Matlab仿真和几何坐标计算，在对多个声源目标分离的同时完成了二维平面中的定位。实验结果表明，该系统对多个声源信号的定位误差均在2%以下，有助于小型系统的研究和开发。

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题，提出一种无监督学习的卷积神经网络（CNN）的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先，将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络，其中输入层改成待提取模态参数的振动信号集合，中间层改成若干一维卷积层、抽样层，输出层得到的为信号对应的N阶模态参数集合；然后，在误差评估中，对网络计算结果（N阶模态参数集）进行振动信号重构；最后，将重构信号和输入信号之间差的平方和作为网络学习误差，使得网络变成无监督学习网络，避免模态参数提取算法的定阶难题。实验结果表明，当所构建的卷积神经网络应用于模态参数提取时，与随机子空间识别（SSI）算法及其局部线性嵌入（LLE）算法对比，在噪声干扰下，构建的卷积神经网络识别精度要高于SSI算法与LLE算法，具有抗噪声强、避免了定阶难题的优点。