声学场景分类任务是计算机应用科学的分支,其目的在于定位以及分析出设备所处的环境。随着智能设备的普及以及物联网的发展,声学场景分类任务显得愈发重要。早期声学场景分类研究多基于传统算法以及机器学习方法,伴随计算机硬件的发展与大数据时代的到来,深度学习逐渐取代机器学习方法,成为声学场景分类任务的主流。然而目前在深度学习方面,声学场景分类任务在特征处理上多采用语音任务中常使用的梅尔频谱图,在网络结构上多采用计算机视觉所使用的方法,并没有针对声学场景的特殊性使用新的特征处理方式及网络结构。同时由于不同设备的物理特性及采集到的数据量存在差异,设备以及样本数量不匹配问题十分严重。针对上述问题,本文从多个角度对声学场景分类问题进行研究。具体而言,本文研究内容主要包括以下三个方面:（1）为了解决声学场景分类任务中不同语义特征之间的关系建模问题,提出一种端到端的语义信息卷积神经网络。该网络将二维的梅尔频谱图在时间方向切割并拼接为频谱图流,在提取高维特征的同时可以对声学场景中语义关系信息进行建模。同时为了提高模型的泛化性能,提出一种全新的数据增强方法,该方法通过交换不同语义的位置有效减少噪点对数据的影响,从而进一步增强网络的表征能力。（2）针对卷积神经网络在处理声学场景分类任务时,无法更加有效利用时频信息对不同通道间进行关系建模的问题,提出一种多维度卷积神经网络模型。该模型在通过二维卷积得到输入特征的高维特征图后,使用拉伸操作在时间以及频率维度对高维特征图进行降维。随后以一维卷积的方式在不同通道间进行关系建模,得到通道注意力矩阵。最后将二维卷积特征图与通道注意力矩阵相结合,并进行残差连接,让网络更加有效利梅尔频谱图的时频信息。（3）针对训练过程中不同样本的设备差异性较大的问题,本文提出了一种基于特征对齐的域自适应方法,用来解决声学场景分类任务中的设备不匹配问题。首先,设计了一个包含源域流和目标域流的双流网络,在每个流中使用两个子网络处理声学场景的梅尔频谱图特征和差分信息图特征,从而得到源域以及目标域的特征图用于进行特征对齐,随后根据源域以及目标域的特征进行降采样分类,并测试了特征对齐过程中不同损失函数的效果。最后,提出了一种交替训练的策略,用于处理配对和非配对样本之间的数据不平衡问题,有效解决了在训练过程中的数据偏移问题。综上所述,本文从特征,网络结构和域自适应三个角度对声学场景分类方法进行研究,针对不同的角度采用不同的数据集进行多个对比实验,验证了本文方法的有效性以及可行性。