机器听觉指的是机器通过分析声音信号获取信息的能力。随着智能化时代的到来,机器听觉受到日益广泛的关注。其中一个重要的任务是声音事件识别（Sound Event Recognition,SER）任务。声音事件识别指通过分析音频信号,判断其中的发生的物理事件信息。目前主流的声音事件识别方法是基于深度学习的,但在数据方面存在两个问题:第一,深度学习依赖有标注数据,而声音事件的标注成本很高,难以获得足量有标注数据,限制了深度学习模型的性能;第二,稀缺声音事件类型的数据难以获取。在上述情况中,数据集在训练过程中无法提供足够监督,对于这种情况就需要弱监督学习方法来应对。针对上述问题,本文选定两个声音事件识别任务的子任务,即声音事件识别任务和机器异常声音检测任务,研究了其面临的弱监督场景以及应对方法。在声音事件识别任务中,本文首先对模型结构进行优化,在卷积循环神经网络的基础上引入了残差连接通路。随后分析了多尺度特征融合的重要性,提出多分辨率特征生成层用于生成多分辨率特征,以及密集连接循环神经网络结构来融合不同抽象程度的特征。同时基于均值教师模型利用数据集中的无标注、弱标注数据,使模型学习到更好的特征表示。最终结合上述方法,本文提出的相对于基线系统的取得了13.4%的性能提升。在机器异常声音检测任务中,本文首先选用了机器类型识别和机器编号识别两个分类任务作为辅助任务,设计了基于分类置信度的异常声音检测模型,并利用Mix-up算法实现对特征空间的平滑。随后本文提出了未知样本分类任务,设计了四种生成未知样本的数据增强方法,借助数据增强方法将合成样本标注为未知类别,并添加入模型训练中。最后,本文模拟了实际环境中异常声音检测系统面临的设备间频响差异,验证了本文提出方法在存在设备间频响差异情况下的有效性。最终相对于基线系统,本文提出的方法取得了12.8%的相对性能提升,并在具有设备间频响差异的情况下取得了25.8%的性能提升。