音频场景识别是指通过对环境音的理解来判断所处的场景,其在现实生活中具有广阔的应用前景,可以广泛用于多媒体检索、智能家居、智能机器人、安全监控、智能终端等领域,因而具有重要的研究价值。本文基于稀疏表示和深层神经网络对音频场景识别展开研究,提出了四种融合方法进行音频场景识别,具体研究内容包括:1)提出了一种前端特征融合方法对于音频片段内的各个音频帧,前端特征融合方法将基于稀疏表示求得的得分值特征和log-mel频谱特征进行融合,将特征融合后的音频片段作为DCNN网络的输入,通过DCNN网络进行音频场景识别。基于稀疏表示的得分特征从音频基空间的角度反映了场景类的分布,而log-mel频谱特征则反映了音频的声学特征,这两组完全不同的特征从不同的角度挖掘音频信息,两类特征互补,使得融合后的特征信息量大于每一类特征的单一信息量。2)提出了一种后端特征融合方法后端特征融合方法分别将基于稀疏表示特征求得的得分特征和log-mel频谱特征作为DCNN网络的输入,由DCNN网络提取深度特征,最后将两种深度特征融合后通过DCNN网络进行音频场景识别。后端特征融合方法的识别性能优于融合前的识别方法,且其性能整体上优于前端特征融合方法。3)提出了一种基于稀疏表示和log-mel频谱的决策值融合方法该融合方法分别将音频帧的基于稀疏表示特征求得的得分值特征和log-mel频谱作为DCNN网络的输入,然后将网络输出端的决策值通过元素乘法进行融合分类。该融合方法采用DCNN网络从稀疏表示特征和log-mel特征两个方面挖掘分类信息,融合后的决策值综合了两者的分类优势,因而和融合之前的决策值相比,具有更强的分类能力。4)提出了一种基于稀疏化的深度特征的决策值融合方法该融合方法分别对VGG16网络和LSTM网络提取的深度特征进行稀疏化,然后基于稀疏化后的特征分别通过VGG16网络和LSTM网络求取决策值,最后将决策值通过元素乘法进行融合分类。该融合方法能够综合VGG16网络和LSTM网络的分类能力,并利用稀疏编码的优势,取得比单一使用VGG16网络或LSTM网络更好的分类性能。5)对提出的四种融合方法进行了多声道融合对于立体声音频数据,本文将提出的融合方法首先基于左、右声道和单声道信号求得决策值,然后,为了充分利用数据各个声道的信息,通过元素乘法方法将基于各个声道信号求得的决策值进行融合分类。多声道融合能充分利用各个声道所提供的信息,因而能有效提高分类识别性能,和融合之前的左声道、右声道、单声道相比,多声道融合可以取得最佳分类识别结果。