音频事件分类是目前音频研究的热点问题,其应用场景十分广泛。在该研究中,存在着一些难点问题还没有被很好的解决,如音频事件的多样性和随机性问题。本研究的出发点就是根据这些音频的特性,结合目前热门的深度学习方法,对音频事件分类模型进行设计,并通过实验验证提出的理论猜想。论文的主要工作包括以下两个方面:1.研究了基于深度学习的音频分类算法。针对人耳对音频事件在高频和低频的分辨程度不同的问题,利用小波变换方法具有多分辨率的依据,采用了小波变换的方法对音频特征进行提取,设计了连续小波变换CWT和离散小波变换DWT两种方式的音频特征提取方法。研究了将残差网络和LSTM网络结合的音频分类网络,改进并设计了残差网络结合BiLSTM的网络结构。针对音频事件在时域频域具有多样性的问题,利用卷积核多尺度思想的依据,结合Inception的多尺度卷积核结构,研究设计了基于音频事件分类的多尺度网络结构MseCNN。其中连续小波变换特征CWT-9和MseCNN网络组成的模型,在两个数据集Urbansound和ESC-10上的overall的准确率分别达到了 84.3%和93.1%。2.研究了基于注意力机制的音频分类方法。考虑到音频事件在时频空间上分布的多样性,依据人耳在感知声音时的注意力机制效应,研究了基于注意力机制的音频分类方法。从三个角度对音频分类问题上的注意力机制进行了构想和实验设计。针对音频事件在时间域分布的随机性问题,设计了时间注意力方法,突出时间上关键帧的信息。针对音频事件在时频空间分布的多样性,设计时频空间注意力方法,将时间频域空间上的关键信息突出。针对多通道网络在提取音频特征时,特征分量的多样性,设计了通道注意力方法,突出重要的特征分量,提高特征在高层空间的区分度。实验在基线网络上做了三组对比试验,在网络不同位置加入注意力模块,对之前的设想进行了分析和验证。并进行了三种注意力的组合实验,最后将最好的注意力结构结合第三章的网络模型,其中空间域和通道域的注意力组合实验在Urbansound和ESC-10数据集上的准确率为85.7%和 94.9%。