声音事件检测不仅需要识别出事件类别,还要检测出该事件在时间序列中发生的起止点。最近,深度学习技术在声音事件检测领域取得了非常大的进展,但是,要得到性能良好的声音事件检测模型,需要花费大量的人力和成本来获得一定规模的有标注数据集。随着谷歌发布了大型音频事件数据集Audio Set,以及IEEE DCASE竞赛的逐年进行,越来越多的人开始关注声音事件检测这一领域,基于数据集训练的声音事件检测模型的性能变得越来越好。然而,声音事件检测依然面临着诸多的挑战。1)声场环境复杂多变,事件声音与背景声音混杂在一起,并且多个声音事件也会在同一时刻发生,不同的采集设备对同一事件的响应过程也不相同。当前的卷积循环神经网络声音事件检测模型对这些复杂的声学特性的处理能力依然不足,这需要设计更有效的声音事件检测网络,强化模型的特征提取能力。2)基于数据集训练的声音事件检测模型需要在大量强标签音频上进行有监督学习,而强标签音频的获取成本很高。利用计算机技术,只需要少量的人工参与便可得到大量具有强标签的合成音频数据集。可以使用合成音频作为训练集来学习应用于真实音频的声音事件检测模型。然而,合成音频与真实音频之间的数据分布差异很大。如果将合成音频上训练的模型直接应用到真实音频上,模型的检测性能通常会大幅下降。如何利用合成音频得到在真实场景下鲁棒的声音事件检测模型是目前亟待解决的一个新课题。针对以上两个问题,该文从以下内容开展研究:1)针对卷积循环神经网络对音频上下文信息提取能力的不足,该文提出音频标记一致性约束声音事件检测方法。该方法通过对卷积神经网络的输出特征与卷积循环神经网络的输出特征分别进行音频级别的分类来获得CNN音频标记与CRNN音频标记,并使用音频标记一致性约束网络约束CNN音频标记与CRNN音频标记的一致性来提升CNN对音频的上下文信息提取能力。通过约束音频标记的一致性使得卷积神经网络部分在提取帧级局部特征时依然能够提取音频样本的上下文信息。2)针对合成音频与真实音频之间的域差异而导致的真实场景下声音事件检测模型泛化性能下降,该文提出双对齐域适应方法来对齐合成音频与真实音频之间的数据分布并应用于声音事件检测任务。双对齐域适应方法同时考虑了域间对齐和域内对齐两种角度,通过构建三个域鉴别器分阶段的拟合合成音频与真实音频之间的域差异,将合成音频上训练的声音事件检测模型迁移到真实音频场景中。该方法在合成音频与真实音频之间通过特征提取网络与域间鉴别器进行对抗学习,来进行数据分布的域间对齐。针对域间对齐域适应面临的平衡挑战问题,通过在合成音频与真实音频的域内各自构建一个域内鉴别器来进行域内难、易样本子域数据分布之间的域内对齐。期望通过更加紧凑的域内数据分布来缓解域间对齐域适应面临的平衡挑战。该文在DCASE 2019竞赛的任务4家庭环境声音事件检测发布的数据集上开展研究,分析当前声音事件检测面临的问题,并验证该文提出的两个方法的性能。实验表明,音频标记一致性约束声音事件检测方法可以有效的改善声音事件检测模型的特征提取能力;双对齐域适应方法可以有效的改善合成音频上训练的声音事件检测模型在真实场景下的泛化性能,该文提出的方法取得了现阶段最优的声音事件检测结果。