随着智能化城市和交通技术的发展,人们对车型分类技术的发展有了更高的要求。车型分类技术不仅可以实现车流量监测、高速公路收费等功能,还可以协助汽车感知周围的环境信息,为无人驾驶提供进一步的安全保障。为了实现简单、准确、快速地分类车型,本论文针对车辆声信号的复杂、多源、非平稳特点,在声信号特征提取的基础上,对分类算法进行改进,提高分类的准确性,并进行实验验证。本文的主要内容和创新点主要包括:（1）建立多类型车辆声信号数据库,分析声信号特点并选择相应的特征提取算法参考国内车型分类标准,确定了本论文的车型分类对象。针对分类对象采集不同车型声信号,建立车辆声信号数据库。在此基础上对车辆声信号的频谱特性进行分析。本文根据车辆声信号频谱主要集中在低频的特点,选择了能放大低频能量的Mel频谱图特征提取方法。（2）改进了卷积神经网络及卷积循环神经网络分类算法实现了分类准确率的提高考虑到卷积神经网络能通过卷积和池化等方式有效挖掘并处理信号的深层典型特征,本文对经典卷积神经网络Le Net-5结构进行改进并结合自建声信号数据库特点,优化得到了合适分类车型的卷积神经网络CNN。再考虑到声信号的时序特点,在CNN的基础上改进得到循环卷积神经网络CRNN。验证结果显示改进的分类算法分类效果优于其他同类型车型分类算法。（3）提出并验证了滤波器结合分类算法以提升分类效果的分类新方案考虑到采集的声信号包含背景噪声可能会影响分类效果,本文设计了滤波器只去除部分背景噪声,或者滤波器去除部分背景噪声并保留了车辆声信号大部分能量两种滤波方案,将滤波后的声信号放入已改进的分类算法进行分类来改善分类效果。对比实验结果表明,高通滤波器结合CNN的分类方案全局F1值提高了4.9%,带通滤波器结合SVM的分类方案全局F1值提高了6.5%,滤波器结合分类算法的分类新方案确实能有效改善分类效果。