随着社会进步和民航业的迅猛发展,政府、航空公司和公众对航空安全的要求越来越高。飞机上用来记录各类声音数据的设备——驾驶舱话音记录器(Cockpit Voice Recorder,CVR),无疑成为保障航空安全的关键所在。CVR是必不可少的机载设备,它通过4个独立声道记录着驾驶舱内最近2小时或30分钟的各种声音,包括机组内话、陆空通话、音响警告等。这些声音记录不仅能够用来判断机组的操纵、意识、决断、生理心理状态,还可以分析航空器状态及所处环境,为事故调查提供了又一丰富而准确的依据。针对CVR中记录的声信息多而复杂、频率范围宽、信号非平稳等特点,本文结合小波变换及神经网络的方法,从CVR的背景声中分离出有用的信号,并对分离后的信号进行分类,有效地实现了CVR背景声的识别,对确定航空事故原因及保障未来飞行安全,都具有重要的实用价值。首先,在中国民用航空总局航空安全技术中心建立的“飞机舱音信息样本库”基础上,应用小波降噪原理对CVR的信号进行降噪处理,结合独立分量分析的快速固定点算法对混合信号进行分离,得到分离后的开关、旋钮、警报等独立声音样本。其次,选择分离后的独立样本,进行信号处理,经过预处理之后,提取他们的短时能量、短时平均幅度、幅值谱及Mel倒谱参数等特征作为样本的特征参数用于分类识别。随后本文深入研究了核方法在特征提取方面的应用,对CVR样本的数据空间进行了压缩,并将核主成分分析与神经网络相结合,分析了核主成分分析与RBF神经网络相结合的分类识别能力,并在此基础上采用改进的RBF神经网络算法。最后本文进一步分析了基于核函数的SVM多类分类方法,结合核主成分分析将该算法用在CVR背景声的分类识别上,取得了较为理想的分类效果。本文的研究对于有效判断CVR背景声中所蕴含的内容,确定飞机事故原因都将具有重要的意义。