音频信号分类是信号处理领域的基础技术之一,广泛应用在自然语言处理、多媒体技术等领域,占据重要地位。欧盟《通用数据保护条例》等法令出现后,音频样本变得不易搜集,与此同时互联网、大数据、5G通讯等科学技术的发展使音频数据进入快速迭代的新时期,在此背景下小样本场景逐渐成为音频信号分类的研究重点。卷积神经网络(Convolutional neural network,CNN)、或综合运用数学、图像、声学等领域的相关技术构建分类模型是当前小样本音频信号分类领域的主流方法,但现有方法的分类精度仍不高。鉴于小样本场景下音频信号分类领域存在的不足,本文主要做了以下工作和创新:(1)论述梅尔滤波的生理学基础并指出其朴素过程的不足,分析小样本下深度神经网络衰减的原因,并在10层和24层的卷积神经网络上验证ESC数据集中该问题的存在。(2)基于梅尔滤波提出自适应梅尔滤波(Adaptive Mel Filter,AMF)算法,以“反向传播”优化朴素梅尔滤波过程的可变参数,提取具有更高区分度的梅尔频谱。(3)以深度残差网络(Deep Residual Network,DRN)为框架,使用微调和迁移按音频信号分类的实际需要调整输入和输出层、同时适当增加池化和全连接层,并将DRN在image net上的权重作为初始权重建立用于频谱分类的迁移深度残差网络(T ransfer Depth Residual Network,TDRN)。(4)将AMF算法作为前置频谱提取模块,TDRN作为后置频谱分类模块,融合两者构建自适应梅尔滤波-迁移深度残差网络(Adaptive Mel Filter-Transfer Depth Resi dual Network,AMF-TDRN)小样本音频信号分类模型。引入ESC-10、music speech等数据集分别模拟等时长多分类和等时长二分类小样本场景,混合ESC-10和music speech生成music speech&ESC-10数据集模拟不等时长多分类小样本场景。以MF-TDRN、AMF-inception v3、10 layers CNN、MVGG16、m-mobile net、PEFBEs、CRBM等模型为参照,在各类小样本场景下进行验证和对照实验。实验结果表明AMF-TDRN模型在各场景中的分类精度依次为91.14%、96.00%、95.24%,与其他模型相比均有不同程度的提升,具备一定的应用价值。