声音是人类感知周围环境的主要途径之一,声音传播的全向性以及不受光线和角度影响的优点使得人类能够利用该途径进行有效地感知和决策。而环境声事件识别技术的目的是探究一种让机器来自动化感知周围声环境并做出相应决策的方法。自上个世纪七八十年代以来,相关领域的科研人员着手研究环境声的感知和识别并取得了一定进展。近几年,CLEAR和DCASE等声音事件识别和检测类的国际竞赛也相继展开,从而推动了环境声事件识别领域的飞速发展。尽管在该领域已有大量的研究成果,但目前仍存在许多问题还未得到很好的解决,例如（i）对特征融合相关的研究不足,例如存在基于前融合的特征融合方式不利于卷积神经网络提取高阶特征的问题;（ii）由于本领域内的研究主要落足于对理论方面的研究,例如对声学特征和分类算法的研究,而与工程应用相关的研究不足,例如对连续声音数据流的检测、对环境声数据集的扩增以及对不同采样频率的声音对识别的影响等问题。针对上述问题提出如下解决方案。（i）在特征融合的研究中,针对前融合的特征融合方式不利于卷积神经网络提取高阶特征的问题,提出一种基于双输入卷积神经网络的特征融合框架。该特征融合框架将两种声学特征分别经过不同的卷积和池化策略进行高阶特征提取,然后将高阶特征进行拼接并送入输出层输出分类结果。这种方式不仅为不同的特征匹配合适的卷积和池化策略,还避免了单位或尺度不同的特征拼接在一起干扰卷积核的高阶特征提取能力。经公开数据集的评估结果显示,本文提出的特征融合方法相比单一特征和现有的融合方式性能更优。而且,将此框架应用于实际场景下对汽车鸣笛声的检测识别,结果显示,查全率达到87.7%,查准率达到84.7%,F1度量达到86.2%,优于其他方法,验证了该方法在实际应用中的可行性。（ii）在工程应用研究中,将理论联系实际,将环境声事件识别算法部署到实际场景中,并针对遇到的一些困难,提出了合理的解决方案,例如针对连续的长段声音数据的检测问题,提出一种基于滑动检测思想的环境声事件检测方法,该检测方法包括声音数据的预处理、声学特征提取、分类器建模和识别、分类结果整理等。该系统适用于检测连续的长段声音数据中存在的环境声事件,经实景测试,本系统可嵌入不同的环境声识别方法而且具有较好的检测性能。针对训练所用的环境声数据量不足的问题,使用与同门开发的环境声采集设备收集了大量环境声数据,并使用数据增强技术扩增了环境声数据集,提升了环境声识别方法的泛化能力。针对高保真的声音数据导致网络传输压力大的问题,通过理论分析以及实验研究,确定了合适的声音采样频率,大大降低了网络传输压力。最终将环境声事件识别算法落地于校园场景,有效地提升了校园的安防能力。