扬声器应用广泛。作为基本的发声单元,扬声器存在于各类产品、仪器和设备中。在设计、生产或装配时的缺陷会导致扬声器发生故障。在扬声器工作时,存在故障的扬声器会产生异常音,异常音将影响人们的听音感受。因此,在生产阶段检测出故障扬声器,避免其流入市场有着重要的意义。针对故障扬声器检测问题,本文设计了异常音提取模块,随后利用机器学习的方法进行分类。本文的工作如下:设计了扬声器异常音提取模块,该模块由两个模块组成,激励与滤波模块和声频采集模块。在激励与滤波模块的子模块中,激励信号模块产生的激励信号先后经过带通滤波模块和幅值调节模块,在外部仪器功率放大器和传声器适配器配合下,扬声器的声响应信号进入陷波滤波模块进行基频陷波,其中陷波的频率受到了时钟信号模块的影响。完成基频陷波后的信号输入声频采集模块,在声频采集模块的子模块中,声频处理模块首先采集陷波后的信号,随后经扩展存储模块存储,再被USB高速通信模块上传至上位机。异常音提取模块实现了基频陷波功能,削弱了基频信号的影响,有利于对提取后的信号进行特征提取及分类。利用异常音提取模块搭建实验平台,针对JIEFUEAB8₁0型扬声器,在经过异常音提取模块提取后,分别采集了330组质量合格的扬声器信号和330组振膜损伤的扬声器信号,随后进行了特征提取和分类实验。使用了两种特征提取方法,第一种是小波包样本熵,第二种是集合经验模态分解（ensemble empirical mode decomposition,简称EEMD）和样本熵。使用了两种分类方法验证特征提取的有效性,第一种是支持向量机（Support Vector Machine,简称SVM）,第二种是XGBoost。在使用单一特征的分类实验后,选取了两种特征中代表高频信息的特征进行特征融合,并使用融合的特征进行了实验。实验结果为,SVM算法使用融合特征取得了94.6970%的分类准确率,XGBoost算法使用融合特征取得了96.2121%的分类准确率,融合特征相比于一种特征,在所用分类算法上的分类准确率更高。图66幅,表9个,参考文献58篇。