环境声音分类和声纹辨识均属于音频信息处理范畴。环境声音分类是应用信号处理、计算机及人工智能等技术对特定环境声音信号进行分析处理并实现对声音信号自动分类辨识,被智能家居、场景分析和智能监控等领域广泛应用;声纹辨识就是从已知的声纹集合中找出与特定音频声纹相匹配的那个人,广泛应用于刑事侦探、智能监控、金融安全等领域。随着人工智能技术的发展,环境声音分类和声纹辨识越来越受到业界研究者的关注。早期的环境声音分类采取信号处理和机器学习方法,随着卷积神经网络(CNN)的提出,现在的环境声音分类多采用CNN模型,但存在模型结构和网络深度不一的情况,缺乏统一指导原则,给学习者造成很大困惑。与环境声音分类相比,由于声纹数据具有类内不紧凑、类间差距小的特点,声纹辨识技术要求更高,已有的CNN分类函数softmax存在分类效果不佳的问题。针对这些问题,本文主要研究工作如下:1.针对Piczak和Zhang提出的CNN模型在环境声音分类中网络结构不一、网络深度过浅或过深进而导致模型欠拟合或过拟合的问题,本文通过对比实验找出CNN模型结构及相关参数设置原则,同时找到一个相对较优CNN模型,为环境声音分类应用提供参考。本文首先探讨了Piczak和Zhang的CNN网络结构中卷积层和池化层数量及网络深度,然后调整两者的网络结构中卷积核大小和数量,最后通过对比实验探讨不同结构和网络深度下的优化效果,从而得到最优的网络结构模型Changed CNN及其相关参数设置。Urban Sound8K公开数据集上的对比实验结果表明优化后的Changed CNN模型结构具有一定改进效果,在网络深度和结构设置适中时,准确率相较Piczak和Zhang的网络模型有一定提升。2.针对已知的单一CNN声纹辨识分类模型内置的softmax分类器处理类内不紧凑、类间差距小声纹数据效果不佳的问题,提出了CNN+Light GBM的声纹辨识组合模型。组合模型在使用CNN提取音频数据高层次特征的基础上,比较了各个常用的不同分类算法,将CNN内置softmax分类器替换为Light GBM分类器,对分类算法进行了推导。公开数据集Voxceleb2上的对比实验结果表明:CNN+Light GBM组合模型分类准确率不仅优于单一的CNN模型,也优于CNN+其他分类算法模型,证明了本文提出的CNN+Light GBM组合模型的合理性。