声音作为人类感知周围环境和相互交流的重要信息来源,一直受到广泛研究者的关注和青睐。多声音事件检测就是使用机器对声音进行分析,判断出其中包含的内容,比如是“讲话声”还是“脚步声”,或者“讲话声”和“脚步声”同时发生。声音事件检测在安全监控、异常检测、情景感知、生物监测和内容检索中有着广泛的应用前景。传统的多声音事件检测系统主要使用非负矩阵分解(Non-negative matrix factorization,NMF)、高斯混合模型和隐马尔可夫模型(GMM-HMM)等。近几年,随着深度学习的迅速发展,基于深度神经网络的方法给检测性能带来了突破性进展。深度神经网络(Deep Neural Networks,DNN)、卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Networks,RNN)相继在声音事件检测中获得了成功应用。然而,这些基于深度神经网络的方法没有针对性地解决多声音事件检测中的两个难点问题:事件间重叠以及数据量较少。因此目前事件检测的整体性能还比较低,这给其实用化带来了巨大的困难。本文围绕上述的两个难点问题,展开基于深度神经网络的多声音事件检测方法的研究。首先,从有效特征提取的角度出发,搭建了基于CNN-RNN的基线系统。我们使用CNN提取特征中的事件谱结构信息,并使用RNN对时间上下文信息建模。实验结果表明,和传统方法相比,这种方法可以取得更好的检测性能。其次,从事件重叠的角度出发,提出了基于CapsNet-RNN的多声音事件检测模型。我们使用胶囊对事件进行多角度建模,利用路由算法让网络从局部特征预测事件,并在此基础上使用RNN学习上下文信息。实验表明,这种方法在识别不同事件时具有挑选特征频带和通道的能力,有效提升了重叠事件的检测性能。此外,从当前标注数据集较小的角度出发,将自训练的半监督学习方法应用于多声音事件检测。实验表明该方法可以显著增加可训练数据,改善检测性能。最后,构建了两个基于变压器的声音数据库,并在变压器场景下验证了上述CNN-RNN和CapsNet-RNN方法的有效性。