让机器在接收到外部世界的各种声音后能判断自身所处的空间,这种技术便是声音场景分类。近年来,受益于算力和算法两方面的突破性进展,声音场景分类相关研究也进入了快速进步的时期,在技术迭代的同时也有越来越多新的问题被发现。其中一个问题就是立体声数据源的处理问题。声音场景领域目前最大的数据集已经是立体声格式,而与声音场景数据集向立体声格式越发明显的过渡趋势相对,当前的主流声音场景分类方法即使在使用立体声数据源时,还保留着单通道处理的思维方式,并没有对立体声所携带的额外空间信息进行特别的关注提取。本文的第一个工作是针对立体声数据源提取额外的空间信息。通过名为源环境提取的声场分解算法,使用立体声中包含的相位信息将立体声音频进一步分解为4个通道,从而获得更多的空间信息。分离出4个通道的音频虽然继续沿用了会损失相位信息的梅尔能量谱声学特征,但是相位信息在损失之前就被增加通道的幅度信息分摊了。在此基础上在分别使用了多种声音场景分类的优势方法,搭建出多个VGGNet模型并用集成学习来获得更高的性能。在多次实验并向不同数据分布迁移后,使用了声场分解的系统相比未使用的都有一个稳定的性能提升。其中最好的一组设置相比同数据集下的基线系统在识别正确率上提升了17.3%,并在全球性赛事DCASE2019声音场景分类任务中取得第四的队伍排名,比未使用声场分解的情况提升了两个位次。在第一项工作的基础上本文又进行了声音场景分类的应用层面探索。将原有功能冗余的十分类数据集合并为三分类后,进行了低复杂度迁移。首先将声场分解算法优化,使计算速度相比最初的实现提升了接近10倍,同时将声场分解从特征生成改为数据增强以减小特征的复杂度。在此基础上又将模型的参数规模压缩至不及原来的1%,通过1×1残差模块堆叠提供的细腻感受野分辨率搭建出了一个大小与基线系统相似,错误率不到基线三分之一的低复杂度立体声声音场景分类系统。最后进一步使用了多种模型压缩方法,验证了声场分解数据增强方法在模型被再次压缩的情况下也依然适用。