相比语音和音乐信号,城市噪声作为声音信号的一种类型,具有复杂多变的特性。近年来,基于深度学习技术的城市噪声分类成为研究热点,目前最多的改进研究是基于特征提取的改进与基于分类网络模型的改进。由于环境声音信号在时序上的信息关联度相比语音信号较弱,因此对于循环神经网络（Recurrent Neural Network,RNN）、门循环单元（Gate Recurrent Unit,GRU）、长短期记忆网络（Long Short Term Memory,LSTM）这些具有时序信息的网络,卷积神经网络（Convolutional Neural Network,CNN）在环境声音分类中仍占主导地位。采用端到端的分类方法会使原始音频信号送入神经网络训练时产生较多的噪声分量信息,因此仍以人工设计的特征提取为主,同时集成方法和数据增强仍为声音分类的主流。基于此,本文进行了如下研究:（1）基于差异分辨率的多通道特征融合（Multi-Channel Feature Fusion with Different Resolution,MCFF-DR）与单一分辨率的单通道特征融合（Single Channel Feature Fusion with Single Resolution,SCFF-SR）算法。本文首先对梅尔频率倒谱特征（Mel-Frequency Ceptral Coefficients,MFCC）特征进行改进,使用离散小波变换（Discrete wavelet transform,DWT）替代离散余弦变换（Discrete cosine transform,DCT）,缓解了原始音频中有用信息的缺失。接着,针对不同环境声音对不同时间尺度灵敏度不同的问题,提出了MCFF-DR方法,对五种音频特征进行改进,利用不同的滤波器组产生分辨率不同的特征,在频率维度上进行拼接融合,并在多通道上对多种特征进行融合,得到LM-CS-CQT与IMF-GF-CS-CQT特征。另外将7种音频特征利用本文提出的SCFF-SR方法进行融合,得到LMCST与IMGFCST特征。实验发现,本文所提融合特征具有较强鲁棒性,适于表征外界环境中的音频信号。（2）基于双二流卷积的D-S声音检测研究。本文首先提出随机倒放填充法来进行数据增强处理,使用音频填充与倒放操作增加了原始环境声音的有用信息且保证了音频序列长度的一致性;然后,提出了双二流卷积网络结构用于声音分类。第一流和第二流网络采用MCFF-DR特征法送入二阶密集卷积网络（two-Dense Convolutional Network,2-Dense Net）,其中2-Dense Net被分成了2个密集块。第三流和第四流网络采用SCFF-SR特征法送入4层CNN网络。然后利用D-S证据理论对softmax层的输出结果进行融合,得到D-S-Net模型。在Urban Sound8k数据集下得到96.36%的分类精度,较基线提高了25.34%。（3）构建了城市噪声分类检测系统。本文首先提出了基于小波包分解的拉普拉斯生成对抗网络（Wavelet packet decomposition-Laplace Generative Adversarial Network,WPD-LAPGAN）的环境声音增强去噪,通过自适应小波包分解求其背景噪声后送入LAPGAN中进行声音增强;使用倒谱距离、改进的Teager能量距离与短时过零率三种特征的融合并结合频谱质心距离特征进行起止点环境声音事件的定位;并提出重叠声音事件的检测方法,利用谱图规律与补频进行重叠区域声音事件的重构。通过实验验证,本文提出的声音增强算法、起止点声音定位算法与重叠声音检测方法均得到了良好的效果。