机器异常声音检测是对现实工厂中的工业机器进行音频监控。它通过其运行时发出的声音的变化情况,从而进一步判断机器存在故障的技术。该项技术在安全监控、工业生产、故障诊断等领域都有着广阔的应用前景。近年来,随着现实工业场景中对提高安全性的需求,声音作为识别事件的关键因素之一。机器异常声音检测已经获得了越来越多的研究者关注。现阶段,机器异常声音检测的研究领域可以分为基于深度自动编码器和基于轻量化卷积神经网络两个研究方向。本文主要围绕这两个研究方向展开叙述,首先阐述了基于深度学习的机器异常声音检测的理论体系,主要包括音频特征提取流程、机器异常声音检测数据集以及机器异常声音检测所用到的深度学习算法。然后介绍了基于深度自动编码器方法的基线系统,并实现了基于记忆增强的深度自动编码器的机器异常声音检测模型,使用该模型对机器运行声音数据集进行检测,将实验结果与使用基于深度自动编码器的基线系统的实验结果进行比较。随后,在机器异常声音检测任务中,本文着眼于基于轻量化卷积神经网络的机器异常声音检测方法,并通过使用目前最具有代表性的轻量化卷积神经网络搭建模型进行机器异常声音检测任务。论文的主要研究内容包括:（1）机器异常声音基本检测流程。详细介绍了音频特征提取流程、机器异常声音检测数据集以及两种机器异常声音检测的深度学习方法。本文选择对数梅尔频谱作为声学特征,提取音频特征的流程包括预加重、分帧加窗、短时傅里叶变换、三角滤波、取对数。机器异常声音检测数据集使用的是2020年DCASE机器异常检测挑战任务的数据集,共包含玩具车、运输机、阀、泵、风扇和传送带这六种机器运行时的声音。最后介绍了深度自动编码器与轻量化卷积神经网络这两种机器异常声音检测的深度学习方法。（2）提出了一种具有记忆功能的深度自动编码器对机器异常声音检测。记忆增强的深度自动编码器能够在训练过程中诱导记忆模块来存储机器正常声音数据。在测试过程中,记忆增强的深度自动编码器并不将机器声音数据的编码直接提供给解码器,而是将其作为查询来检索内存中最相关的项目,然后聚合并传递给解码器,该过程从编码中删除异常信息,从而防止强解码器重构异常。首先介绍了记忆增强的深度自动编码器的基本思想,然后对基于深度自动编码器的机器异常声音检测方法的模型、算法理论等进行了介绍,并对基于深度自动编码器方法的基线系统和实验结果的评价指标进行了阐述。随后从编码模块、记忆模块、解码模块三个模块的架构和功能对记忆增强深度自动编码器的结构进行了介绍。最后将基于深度自动编码器的基线系统与构建的基于记忆增强深度自动编码器对机器异常声音检测任务进行实验比较,实验结果表明在机器异常声音检测的任务中,使用基于记忆增强深度自动编码器明显优于基线系统。（3）设计了一种基于轻量化卷积神经网络的机器异常声音检测方法。因为机器异常声音检测的任务是为了通过训练神经网络得到一个机器异常声音检测系统,使用该系统对工厂中的机器进行实时监测,这意味着最终的机器异常声音检测系统将搭建在一个移动设备或者嵌入式设备的平台上运行。轻量化卷积神经网络推动了深度学习技术在移动端,嵌入式端的应用落地,满足了机器异常声音检测任务的应用需求。首先从原理、模型和应用几个方面介绍了轻量化卷积神经网络算法的理论基础,然后分别介绍了基本的卷积神经网络模型和一个具有代表性的轻量化卷积神经网络模型MobileNet,并且与普通的深度卷积神经网络做了一个对比,最后对基于MobileNetV2的机器异常声音检测方法进行实验,特征提取、模型训练以及网络结构的设计,并且将实验结果与基于深度自动编码器机器异常声音的结果做对比进行分析,实验结果表明在风扇和阀门这两种机器上使用轻量化卷积神经网络模型相对于基于深度自动编码器在机器异常声音检测任务中效果有一定程度的提升。