音频场景分类是对音频数据的识别和分类,即识别判断所记录声音的环境标签,可以应用于音频监控、异常发现和风险防控等多种安防监听系统。随着音视频监控等场合记录的音频数据越来越多,传统分类方法在面对大量数据时显现出了劣势,而此时深度学习技术则已被证明在利用数据特征和建立模式识别方面具有特定优势。本文以卷积神经网络为主要模型,从数据集和网络结构两方面对音频场景分类系统做出改进,分别在未引入更多数据量的前提下对数据集信息进行了再挖掘,在未增加计算量的前提下对网络结构做出了调整,从而有效提高了部分场景的识别准确率。本文所做的主要工作包括:（1）针对数据集进行了信息挖掘标签再标记。良好的数据集对提高分类准确率至关重要,尽管在多数公开的数据集中,每条数据仅带有一个简单的标签,但对数据集的介绍文档往往提供了一些其它辅助信息。所以本文除了根据数据集原始标签进行分类训练,还通过对数据集的分析进行松散类的再标记,获得二次分类结果,再对二次分类结果进行类别映射,最后融合两次分类结果。当已知初次分类结果时,可以发现多种类别的准确率往往不是均匀分布的,所以本文针对初次分类结果中准确率最低的一类,寻找最容易误判为该类的类,通过再标记对它们单独二次分类,同样对二次分类结果进行类别映射后融合两次分类结果。实验结果表明,这种再标记的方法对部分音频场景类别的准确率有显著提高。（2）针对神经网络模型在结构中引入了残差单元。传统的神经网络随着网络深度的增加,训练时间消耗增加,网络的效果会提高至饱和,然后迅速劣化。所以本文在基础网络中添加了适当的残差单元,通过给卷积层增加直连边来提高信息的传播效率,基于残差单元的卷积神经网络的最终结果达到了较高的准确率,相比于单独的卷积神经网络的准确率也有一定提高,在相同数据量的情况下训练时间明显缩短。