随着信息技术的快速发展,音频正以不同的数据类型融入到当今的计算机网络中。其中,对音频信号识别、分类的相关研究产生了一系列智能化的分类应用系统。通过对已有音频分类相关文献的研究和分析,发现音频信号中两类最常见的语音和音乐信号在分类过程中仍存在以下问题:当分类系统中所用特征参量较少时,分类准确率有待提高;当所用特征参量较多时,尽管准确率较高,但存在因特征维数较高导致的分类实时性有待提高。此外音乐信号作为音频数据中的重要组成部分,其量大、类型丰富的特点使得用户在找到自己喜欢的音乐时需要花费大量的时间。而作为音乐的高级标签,音乐流派提供了一种有效的音乐检索方法。针对音乐流派分类,现有研究大多基于深度学习在公开数据集上进行相关研究,但当前的深度学习模型在音乐流派分类领域的准确性还有较大的提升空间,同时当训练集较小时很难得到一个性能较优的模型。针对以上问题,本文进行了以下研究:1.针对语音和音乐信号分类问题,提出了一种仅提取两个特征参量且未用分类器的分类模型。实验结果表明,该模型在语音音乐分类中较最多只提取两个音频特征且未用分类器算法的准确率平均提高约7.9%,较提取多个音频特征且采用分类器算法的准确率平均提高约5.7%。证明了该模型在提取特征量少时,仍能提高一定的分类准确率。2.在基于深度学习技术对音乐流派进行分类的研究中,将音频信号可视化(转换为对数梅尔频谱图),利用注意力机制能为图片不同部分赋予不同权重,可以明确捕获并利用输入和输出项之间固有对应关系的优点,选择对分类贡献较大的特征参量。3.利用原型网络在样本数据较小时仍能较准确识别出当前信号所属类别的优点,将其与注意力机制相结合的模型应用于公共数据集GTZAN中。实验结果表明,单一原型网络分类准确率已达90%以上,结合注意力机制后对应准确率均提高1%-2%,且模型收敛速度较快。证明了该模型在GTZAN数据集上的有效性。