随着智能语音技术的快速发展和人工智能相关应用的兴起,声学场景分类(Acoustic Scene Classification,ASC)已逐渐被应用到人们的日常生活中,它是利用音频信号处理和深度学习技术完成对声学场景(家庭、公园、街道场景…)的识别与分类,从而达到识别周围环境的目的。针对声学场景分类问题,本文从3个角度展开研究,分别是基于传统声学表征的声场分类、基于端到端的声学建模及基于多特征系统的融合策略。在传统声学表征方面,本文搭建了基于ivector的声场分类系统,并利用生成式表征ivector进一步训练支持向量机,提升场景特征的区分度;在端到端的声学建模方面,本文设计了多组ASC系统,分别使用了基于时延神经网络的x-vector技术、卷积神经网络和残差网络,并与传统模型进行比较,进一步提升声场分类系统的性能;在系统融合策略方面,本文提出了线性逻辑回归算法对多个鲁棒性较高的子系统进行得分融合,由于不同的模型结构会从不同角度捕捉声学特征,模型间存在区分性和互补性的信息。针对国际声学场景分类和检测任务(Detection and Classification of Acoustic Scenes and Events,DCASE)2019年的任务,本文提出了将传统生成式表征和区分式深层表征相融合的策略,再次学习多表征间的互补性信息。更进一步地,本文针对DCASE2020国际评测任务中训练数据稀疏和录音设备失配的问题,提出了Mixup、Spec Augment数据增强算法及Device Augment设备增强算法,提高声场分类系统性能。本文研究的算法在DCASE的相应任务上进行了验证。在DCASE2019的评测任务上,基于传统声学表征的声场分类系统和端到端的声学建模系统分别获得了63.97%和67.53%的分类准确度,相比官方基线系统相对提升1.47%及5.03%。在DCASE2020的评测任务上,本文所提算法的性能达到70.24%的分类准确度,比基线相对提升16.44%。另外,本文所提出的多特征融合策略分别在DCASE2019、2020年评测任务上进行了大量实验验证,结果表明,传统的产生式声学表征和深层的区分式表征具有很强的互补性,无论是特征域,还是得分域上的融合,都显著地提升了最终声学场景分类系统的性能。另外,本文所提出的融合系统应用在DCASE2020-Task1A的评测中取得了优异成绩。