本研究提出了一种新方法，通过自监督学习预训练深度神经网络，利用虚拟现实中的空间音频-视觉录音进行声音事件定位和检测。实验结果表明，该方法显著降低了定位和检测误差，展示了音频-视觉整合的潜力。

本文介绍了一种基于深度学习的多声源定位算法，利用多个麦克风阵列在封闭环境中确定声源的二维坐标。该算法通过编码-解码结构和改进措施，在合成和真实数据测试中优于现有方法。此外，提出了新的无监督学习算法和音频-视觉整合网络，提升了声源定位的准确性和可靠性。