车型分类识别技术是智能交通系统中的重要组成部分,主要应用于设备运行监测、环境安全监控、车辆交通管理等方面。其中,基于声信号的车型识别研究有着数据量小、计算方便、设备价格低廉等优势,因此在近些年来逐渐受到国内外的关注。车型分类识别技术包括特征提取、特征融合及特征识别分类三部分,特征提取技术和识别分类技术比较成熟,而特征融合技术由于起步较晚,且复杂性较高,还存在可以完善提高的部分。本文基于特征融合理论,提出了一种结合时频域的特征融合方式,实现了不同车型的自动分类。本文首先在道路上采集了车辆经过的音频信息,通过剪辑软件处理分别将大、中、小三种车型数据提取分类,以wav音频格式保存,作为声音数据样本;接着依据特征提取相关理论提取出三种车型对应的声信号特征,包括时域特征:短时过零率（ZCR）、短时能量（STE）、线性预测倒谱系数（LPCC）,以及频域特征:谱质心（SC）、谱熵（SE）、小波频带能量、梅尔频率倒谱系数（MFCC）;采用结合时频域的多特征融合技术,将时域及频域内维数不同的特征相融合,在保证所融合的特征尽可能完整的前提下,提高特征识别率。然后采用其他常用的特征融合方式进行处理,用于对比分析;最后使用支持向量机分别对各单独的信号特征以及融合后的特征进行分类训练,实验结果表明:不同的信号特征适用于不同条件,单一信号的识别率普遍较低,识别率在70%左右,经过特征融合处理后,识别率有所提高,但还是偏低,而使用本文提出的时频域多特征融合后的特征进行识别,识准确率提高到87%以上,表明本文提出的多特征融合方法能够提高车型分类识别精度,验证了理论的正确性。