鸟类作为一种环境指示生物,对栖息地改变和环境变化反应极为敏感,是生物多样性评估监测、生态环境影响评价的重要指标。在现有的雷达、光电以及人工监测方法之外,基于鸟鸣的鸟类监测是一种非常重要的补充手段。其中,一种非侵入式的鸟鸣监测方法是建立鸟声传感网系统。该系统通过各个传感器节点采集鸟鸣声数据发送至汇聚节点进行处理后再上传至远程监测终端。考虑到汇聚节点的计算能力、存储能力和续航能力均有限,各传感器节点对采集到的鸣声数据进行初步检测和物种标记后再上传至汇聚节点是一种合理的选择,可以有效缓解网络传输压力。因此,研究基于传感器节点的鸟鸣自动检测与分类方法具有十分重要的意义。针对上述情况,本文重点针对鸟声传感网中的单个传感器节点进行鸟鸣自动检测与分类方法研究。首先介绍了几种常用的连续声学监测数据自动分段方法,包括基于短时能量和短时过零率的双阈值方法、基于形态滤波的方法以及基于高斯混合模型(GMM)的方法。针对鸟鸣信号特征提取,本文首先介绍了 Mel频率倒谱系数(MFCC)特征和两种纹理特征,并在此基础上提出了一种新的Mel子带参数化特征(MSP),该特征针对鸣声片段各个Mel子带输出能量序列进行自回归模型(AR)建模,能够描述鸟鸣信号时频谱模式特性。针对分类识别问题,本文分析比较了几种常用的分类器,包括随机森林、支持向量机和隐马尔科夫模型。最后,基于野外实测数据进行了性能分析与比较,实验结果表明所提方法有较好的识别性能以及更好的稳健性。考虑到当前现有研究成果的数据集都只包含期望物种,而本文采用野外实测数据,不仅包括期望物种鸣声数据,还包括环境干扰和其他未知物种的鸣声数据(记为“unknown”类),因此本文所提方法更适用于野外连续声学监测数据的自动分析。本文研究结果能够为构建自然环境下全面、完善的鸟类生态监测系统奠定良好的基础。