声场景识别是计算机听觉领域的主要研究方向之一,能够与其他声学识别任务相结合以完善计算机听觉系统,声场景识别中的城市声场景识别是与人们日常生活息息相关的研究方向,在公众场所、智能汽车等诸多现实环境中有着广阔的应用前景。然而现有的声学识别研究主要集中在语音识别、声音事件检测等任务上,对于声场景识别的研究不够充分。论文从以下三点展开研究工作:（1）研究传统识别架构并构建基线架构;（2）优化基线架构中的声学特征提取过程;（3）改进基线架构中的声学特征识别模型。论文研究传统声学特征与传统声学识别模型的性能,从中选出识别率最高的传统架构作为基线架构。研究常用的声学特征包括短时能量谱、短时过零率、线性预测码、线性预测码倒谱系数、短时傅里叶谱、梅尔频谱、梅尔倒谱以及小波变换,仿真并分析特征维度的转换方法。接着研究各种分类模型,包括以一维特征作为输入的SVM,以二维特征作为输入的VGG19、inception V3、ResNet50、DenseNet121,以及以原始波形作为输入的1D-CNN、raw waveform CLDNN、EnvNet。仿真分析以上传统模型以及对应的输入,识别率最高的方案是“ResNet50识别梅尔频谱”,将其作为基线模型进行优化。论文研究用神经网络实现梅尔频谱的提取过程,从而在声学特征有效的前提下通过神经网络进一步优化梅尔频谱。推导一维卷积运算和短时傅里叶谱的关系、二维卷积和梅尔滤波器组的关系并且添加滤波器组幅值系数层调整不同频段的幅值,进而用卷积层实现梅尔频谱提取,构建梅尔频谱提取网络（MFSCNN）。对“MFSCNN+ResNet50”的仿真结果表明MFSCNN比手工提取梅尔频谱识别率高,但仅有滤波器组幅值系数得到了有效训练。接着改进梅尔频谱的提取过程进而改进MFSCNN,具体而言在进行傅里叶变换时采用频率分布符合梅尔频率曲线的正余弦基底,相应的滤波器组变为均匀滤波器组,最后用神经网络实现这种提取方式,该网络称为MFFTNN。对“MFFTNN+ResNet50”的仿真结果表明MFFTNN能够有效训练滤波器组幅值系数、滤波器形状以及频率曲线,识别率比传统方法高3%左右。论文研究神经网络模型中的常用辅助结构包括:多尺度卷积、LSTM以及GRU的门控结构、SENet以及SKNet中的通道控制。论文将多尺度卷积的结构引入残差网络中,得到多尺度残差模型（M-ResNet）,“MFFTNN+M-ResNet50”的仿真结果表明多尺度卷积结构无法有效提高模型对声谱图特征的识别率。论文分析门控结构与通道控制的基本方法并将其引入残差单元,堆叠该单元得到通道门控残差网络（CG-ResNet）,“MFFTNN+CG-ResNet50”的仿真结果表明该网络的识别率达到95%,比“MFFTNN+ResNet50”高2%左右,比传统识别架构“ResNet50识别梅尔频谱”高5%左右。