声音场景分类致力于解析给定的音频片段,自动为该片段赋予一个预定义的场景类别。作为计算机听觉的子任务,声音场景分类在安防监控、智能穿戴设备、智能家居等众多应用内拥有着巨大的发展潜力。由于其强大的特征表征及模式分类能力,卷积神经网络频繁出现在图像、音频等各大信号处理类任务。本文着力于研究基于卷积神经网络的声音场景分类方法。已有研究表明,卷积神经网络感受野的调整对利用网络进行特征建模有至关重要的作用。虽然目前已有许多感受野调整方法,但是直接应用在声音场景分类上仍存在许多不足。具体表现在:1)现有的感受野调整方法缺乏对时频特征物理意义不同的考虑,限制了卷积神经网络对Log-Mel等时频谱图的特征表征能力;2)当前的感受野调整方法一般只考虑卷积层的调整,但是池化层也直接影响着卷积神经网络的感受野,所以调整池化层的感受野同样重要。针对上述问题,本文的主要工作及创新主要体现在:1)提出卷积神经网络对偶选择感受野自适应方法（Dual Selection Receptive Field Adaptation,DSRFA）。DSRFA使用一个多分支对偶卷积选择单元替换掉传统卷积神经网络中的卷积层,令卷积神经网络具备自主选择最优感受野的能力。多分支对偶卷积选择单元利用不同尺寸的卷积核得到不同感受野的特征输出,并通过级联两个9)×1和1×9)的对偶模块,增加单元中的备选感受野。DSRFA可分别对Log-Mel谱图的时间维度和频率维度进行特征学习,并利用自适应选择方法同时选择出两个维度上的最优感受野,解决了Log-Mel谱图中两个维度物理意义不一致导致的最优感受野不同的问题。2)提出卷积神经网络特征驱动感受野自适应方法（Feature-driven Receptive Field Adaptation,FDRFA）。FDRFA利用一个时频级联单元替换掉传统卷积神经网络中的池化层,令卷积神经网络的池化层具备感受野自适应的能力。FDRFA将卷积神经网络在Log-Mel声谱图中的传统池化操作分解为频率维度池化和时间维度池化的级联。在频率维度上,FDRFA通过减小中低频区的池化感受野来保留重要的分类特征,同时增大高频区的池化感受野以加快高频冗余特征的过滤。在时间维度上,FDRFA在传统的池化边界上增加了一组可学习的偏移量,该偏移量通过卷积计算获得,并经网络多次迭代更新,指导池化窗口自由的伸缩变换。FDRFA在时间维度上可根据输入特征的动态分布,令不同的池化窗口具备不同的感受野并可相互交叉重叠,这样的变化可适应场景音频中,不同声音事件长短不一且存在交叉重叠的现象。在DCASE 2019任务一的数据集上开展的一系列验证实验表明,本文提出的卷积神经网络感受野自适应方法可以令网络以更灵活的感受野进行特征学习,进而显著的提升网络对场景音频的特征表征能力。与当前最优的声音场景分类单模型相比,本文的方法可以达到最高的分类精度。