随着城市道路交通的发展,道路噪声污染日渐成为大众关注的问题,控制并减少交通噪声污染所产生的危害,一直是交通噪声治理研究的热点。交通噪声主观烦恼度已成为治理道路交通污染的重要依据之一,评估交通噪声烦恼度通常有主观实验方式和客观预测方式:主观实验方式通常采用社会调查或者在实验室进行测听测试直接获得主观烦恼度,可靠性高,但是往往需要耗费大量的人力和物力;客观预测方式通过提取声学特征并通过模型映射预测主观烦恼度,简便易行,但是可靠性通常不及主观实验方式。针对以上噪声烦恼度评估方法的弊端,结合以上两种方法,本研究基于人工智能的深度学习模型构建道路交通噪声和受试者感知烦恼度的映射关系,从而快速、准确地对道路噪声所引发的感知烦恼度进行评估,本文在以下三个方面开展工作:首先,采用Sound Meter4对道路噪声进行实地采集,在早、中、晚三个时段对道路噪声进行采集,同时借助第三方数据库Sound Ideal General6000来丰富道路噪声数据,如鸣笛和摩托车噪声等,以满足实际需求。其次,将录制的噪声数据剪切成时长8秒的噪声片段,在听音室中通过耳机HD600重放噪声数据,采用ISO 11级评价尺度,让受试者对每一条噪声数据进行感知烦恼度的打分,以获取受试者对道路噪声的感知烦恼度评估水平,共计获得949条可用数据。更进一步,本文获取了噪声片段的特征,分析了主观烦恼度与噪声片段的相关性。最后,依据数据格式构建基于Unet的交通噪声烦恼度评估模型,建立噪声片段与主观烦恼度的映射关系,同时借助迁移学习对算法的性能进行优化,通过构建交通噪声的心理声学烦恼度数据集,对算法进行预训练,而后在听音实验数据集上进行二次优化,进一步提高算法的鲁棒性。