随着国家的工业互联网和智能制造2025等战略的提出,智能化和无人化已成为当前产业升级的必然趋势。因此越来越多的企业提出了音频监控的需求,其中异常声音检测是音频监控的重要组成部分,其核心是通过对工业环境下的声音进行建模分析,判断出某段时间或者某个位置是否出现了异常情况。传统解决方案是基于大量的有标注的样本去建模分析,弊端是显而易见的,需要足够多的音频数据（然而异常音频数据是很难获得的）并且对音频数据进行标注需要大量的时间、人力和专业知识的辅助。随着自监督学习的兴起,其强大的建模能力和不需要带样本标注的特性为该问题提供了新的指引,因此本文利用自监督学习对异常声音检测展开了研究,主要研究内容如下:（1）音频信号预处理:研究并分析了多个音频特征工程的效果,采用短时傅里叶变换作为异常声音检测任务的音频特征工程。对于环境声干扰利用了Berouti谱减法进行音频降噪,研究并设计了针对音频信号的数据增强方法。（2）设计异常检测方案:针对工业场景下随时间变化而产生数据分布偏移的问题,放弃了传统的基于分类的方案,设计了一种基于检索比对的方案,该方案能有效克服数据分布偏移的问题。同时改进了传统分类评价指标,提高了评价指标的有效性和可靠性。（3）建模手段:面向频谱图不同于自然图像的特性,设计了一种带注意力的网络模型,该模型可以提取有效的频谱图特征信息,抑制频谱图冗余的特征信息,从而提高模型的性能。另外,针对工业界异常数据稀缺的情况,利用大规模无标注数据集进行自监督学习的建模手段,不仅可以增强神经网络的特征提取能力,而且明显提高了类别之间的区分度。综上所述,本文研究的基于自监督学习的异常声音检测算法,在工业场景数据集上取得了误报率为1/100的情况下异常召回率达到88.9%的性能和1/1000的误报率情况下异常召回率达到59.3%的性能,AUC指标达到97.9%,表现符合预期。实验表明自监督学习相对于带注意力的有监督学习和一般的有监督学习具有更好的性能,且类间区分度更高,证明了基于自监督学习较有监督学习在异常声音检测领域的优越性。