近年来声音识别技术快速发展,生活环境中的声音事件与人的生活密切相关,声音事件识别技术在声音追踪、定位和安防领域中有重要利用价值。通过声音事件的识别能够揭示该场景下发生的事件情况,可以对特定场所有效地监控。由于现实环境中存在复杂的背景噪声,识别系统在噪声背景下的识别性能不佳成为主要难题。声音事件识别系统由声信号预处理、特征提取和分类识别构成,其中特征提取是重要环节,特征提取直接影响识别效果。在低信噪比情况下,提取声谱图特征比传统的声音特征有更丰富的信息,深入研究声谱图特征并提出改进算法,结合前端处理中改进的声音增强算法。论文的主要内容如下:(1)声音增强。通过对比传统的声音增强算法,研究维纳滤波、多频带谱减法等算法存在的不足,提出改进的最小均方误差算法,并引入改进的最小值约束递归法,该算法能提高带噪声音信号的信噪比以达到声音信号增强效果,从而提升声音事件识别性能。(2)基于声谱图的特征提取。算法基本思路为利用伽马通滤波器将声音信号转化为声谱图,提取声谱图的子带功率分布,声谱图能包含时域和频域的信息,子带功率分布包含不同频带的功率分布情况,能较好地区分噪声和声音事件。第一种特征是提取声谱图的全局特征,第二种特征采用扇形投影方法来提取声谱图的细节特征,两种特征结合为谱图的扇形投影特征算法,二者结合具有一定抗噪性,能有效提升声音事件识别性能。(3)分类识别。针对不同分类器的特点,分别进行分类识别实验,得出较优的识别框架,然后采用支持向量机识别框架对所提取的特征矩阵进行分类识别。其主要原理是通过寻找一个超平面来对数据进行分割从而达到分类的效果,利用多分类的方式建立分类模型,对于数据样本较少情况下,支持向量机能取得较好识别效果。针对低信噪比下声音事件的识别,文章分别在说话噪声、汽车噪声、工厂噪声、粉红噪声,以及不同信噪比的条件下,对日常环境中的16类不同声音进行分类识别。实验表明结合改进的最小均方误差算法和声谱图的扇形投影特征能对真实环境的声音事件进行识别,在低信噪比下能取得较好的识别率。