信号是信息的载体,是传输与交换信息的桥梁。信号的检测是获得信息的重要途径。小波分析、神经网络以及支持向量机都是信号检测中的有效方法。本文介绍了小波分析的理论基础,基于小波包分析的方法,引入了频段能量的概念,用以表征信号在某个频段的局部能量大小,并用实验数据验证了基于频段能量特征提取的方法在L04028A-044扬声器信号处理中的有效性。应用小波包分析对信号进行预处理,给神经网络以及支持向量机进行信号检测提供了很好的样本数据。将提取的小波包完全分解后的频段能量特征值作为神经网络的输入向量,扬声器种类作为输出向量,建立L04028A-044扬声器信号检测的BP神经网络模型。通过比较不同隐含层节点数对网络性能的影响,确定最佳隐含层节点数目；由经验分析确定学习速率和传递函数；通过对比不同训练目标产生的网络误差,确定神经网络模型的训练目标；通过对比不同训练函数的误差曲线和训练时间,确定神经网络的训练函数。应用归一化后的特征向量对建立的神经网络模型进行训练仿真以及检测,通过检测结果的分析实现对该网络模型的验证以及对扬声器的分类。支持向量机是信号检测领域中比较新的成果。本文概括介绍了支持向量机的理论基础,用于模式识别的基本方法和步骤。详细叙述了应用支持向量机对L04028A-044扬声器样本进行分类的具体过程,包括核函数及其参数的选择。对比神经网络和支持向量机的检测结果和检测过程可知,神经网络更适合于对L04028A-044扬声器进行类型识别。