音频场景识别是近年来数字音频研究的一个新领域,旨在通过分析背景声音对所处场景进行分类。智能设备可以利用当前音频中提取的背景环境信息来调整系统或应用程序的参数,以满足使用者的个性化需求。音频场景通常表现出高度的变异性,这种高变异性不仅表现在不同场景之间,在相同场景内也同样存在。因此,音频场景识别可以说是模式识别任务中最具挑战性的任务之一。目前,音频场景识别分类的准确率相比于传统的音频处理领域,如语音识别领域,依然存在差距。音频场景识别系统按照一定流程进行搭建,分别为信号预处理、信号表示、特征提取与选择和分类器设计与使用。针对目前音频场景识别中存在分类准确率较低的问题,本文按照以上流程设计一种基于神经网络的音频场景识别系统,并在实验室环境中采用合适的音频数据集对系统进行评估。具体研究工作主要体现在以下几个方面:(1)在信号处理方面,采用三种数据增强方法来增加数据量:将传统的左右双声道立体声变换为中央/边侧声道的立体声;将单声道音频分离出谐波源和冲击源;使用不同中值滤波尺寸的背景差法生成多种频谱图。(2)在特征提取方面,对梅尔倒谱系数进行提取,设计相应的帧长、帧移以及滤波器数量,从而在确保特征有效性的同时大大减少特征维数,降低计算复杂度。(3)在设计分类系统方面,根据输入信号通道数的不同,提出两种基于卷积神经网络的分类器,一种用于输入的单通道信号,另一种用于输入的双通道信号。实验表明,相比于采用高斯混合模型的分类器,新提出的两种分类器具有更好的性能。(4)在集成学习方面,经过单个分类器网络后,采用硬加权投票法对所有单个分类器的分类结果进行集成学习,设置最佳的权重参数,获得较好的分类性能。经过以上几个部分,完成音频场景识别系统的搭建。实验评估表明,数据增强部分增加了音频数据量,为特征提取和分类器训练提供了更多的实验样本;相比于传统模式识别方法GMM,提出的两种分类系统性能最高提升了5.4%;相比于单个分类器网络,基于集成学习法的分类器具有更好的分类性能。