扩频通信系统中所使用的扩频序列具有良好的自相关性,接收端易于提取其信号传播时延,是一种良好的TOA/TDOA定位信号源。但是当信号传播于城市或山谷等存在障碍物的环境时,多径效应会对扩频信号时延估计精度造成影响,影响其定位性能。卷积神经网络具有优秀的自适应能力与泛化能力,在图像识别、信号处理等诸多领域中取得了优异的表现。为解决多径环境中的扩频信号时延估计问题,本文研究了基于卷积神经网络的多径时延估计算法。本文具体工作如下:本文设计了用于多径时延估计的卷积神经网络结构,通过增加网络层次的方式获得了优秀的时延估计精度,并使用残差网络这一结构确保了网络在深度增加时的收敛效果。本文经过研究扩频信号在多径环境下的数据模型,选择了加窗后的多径信号互相关函数作为卷积神经网络的输入序列,克服了多径信号波形中多径特征不明显、易受噪声影响的缺陷。本文使用Pytorch框架搭建了时延估计网络,对其时延估计性能进行了测试。重点讨论了卷积核尺寸、输入序列长度、训练集信噪比等因素对最终时延估计性能的影响。本文选取了两个分别适用于高信噪比场景与低信噪比场景的时延估计网络,并与WRELAX算法以及MUSIC算法进行了对比。仿真结果表明,本文算法克服了WRELAX算法、MUSIC算法需要预知多径数目的缺陷。相比于MUSIC算法,本文算法在较低信噪比与较高信噪比场景下时延估计精度更高,信噪比中等时本文算法性能与MSUIC算法相近。相比于WRELAX算法,本文算法稳定性更好、复杂度低,在较低信噪比下的时延估计精度更高。