随着国家现代化水平的不断提高和居民收入的日益增长,空调逐渐成为我们的生活中不可或缺的元素。空调在运行时会由于振动而产生噪声,噪声中包含空调运行过程中的状态信息。根据空调运行时产生的噪声不同,可以判断空调是正常运行还是发生故障。因此本文的主要研究内容是通过对空调噪声的识别,来判断空调是否发生故障以及发生故障的原因。本文首先将不同的声音特征应用于空调机组噪声中,通过对比不同声音特征在空调机组噪声识别中的表现,得出梅尔倒谱特征与短时能量特征的混合特征在机组噪声识别中取得了较好的结果。然后,通过对比高斯混合模型和高斯混合模型-通用背景模型的实验结果,得出GMM-UBM模型的识别率要优于GMM模型。因此系统中采用梅尔倒谱特征与短时能量特征的混合特征作为机组噪声的特征,GMMUBM模型作为识别模型。系统主要包括三个模块,预处理模块、模型建立模块和识别模块。预处理模块主要的功能为对声音信号进行预处理包括读取声音文件,对声音信号进行归一化、分帧、加窗和提取声音信号的特征。模型建立模块采用GMM-UBM作为识别模型,由预处理模块提取的特征作为训练数据训练识别模型。识别模块将预处理模块的输出特征向量与建立的模型进行匹配,得到特征向量所属的模型。识别模块的最终结果由置信度来确认,通过将结果与某一阈值进行比较来决定是否采纳识别结果。系统中采用了基于树的核心挑选算法在识别率下降0.3%的情况下使得系统的识别速度提高了4.52倍。