随着生物多样性减少和生态环境恶化,生态文明建设成为近年来国家重点建设任务之一。作为了解生物多样性以及生态环境变化情况的有力手段,生态监测在生态文明建设中具有十分重要的意义。随着科技的发展和多种音频传感器出现,声学监测方法在生态监测领域的应用愈加广泛。鸟类作为一种环境指示性生物,能够反映生态环境和生物多样性的变化,其鸣声是声学监测数据的重要组成部分,因而鸟鸣信号研究对于生态环境声学监测具有重要意义。基于鸟鸣的鸟类物种及行为分类是当前鸟鸣信号研究领域的热点之一,相关研究成果不仅有助于研究鸟类物种动态变化和物种多样性,还能用于研究特定物种的生物节律、生活习性和社会关系等,实现珍稀物种监测和栖息地保护。针对上述现状,本文依托国家自然科学基金资助项目(61401203),开展了面向物种及行为分类的鸟鸣信号分析研究。首先分析了鸟鸣信号特性,构建了鸟鸣信号分析框架,说明了本文研究重点是基于鸟类鸣声的物种和行为分类研究。针对该研究重点,本文提出了一种基于融合谱模式特征和纹理特征的自动分类方法。对多物种和不同行为鸣声数据库中的鸟鸣片段分别提取谱模式特征和纹理特征,构成具有多特征元素的高维度特征,然后基于ReliefF算法对所有特征元素进行排序和选择,以减少冗余和计算需求,获得融合后的特征集合。最后利用支持向量机(SVM)分类器分别进行鸟类物种和行为分类。针对ReliefF算法中存在的可调参数,测试和分析了可调参数(最近邻k,迭代次数m和贡献率)对分类性能的影响。根据研究对象不同,分别建立了鸟类物种和行为鸣声数据库。其中,鸟类物种鸣声数据库包括北美鸟鸣数据库和欧洲鸟鸣数据库,每个数据库分别包含了11种广泛分布于北美或欧洲的鸟类野外声学记录数据。行为鸣声数据库由野外实地采集的江西鄱阳湖南矶山湿地自然保护区内越冬白鹤的四种行为鸣声组成。与基于单一特征或简单多特征拼接的分类方法相比较,本文所研方法具有更为优越和稳健的分类性能。论文研究内容为构建野外鸟类声学监测自动分析系统奠定了良好基础,在备受重视的生态文明建设领域具有较好的应用价值。