随着城市化建设进程的不断加快,建筑施工、交通运输、社会生活等活动会产生大量的城市噪声。城市噪声识别在噪声监控、城市声景理解和噪声源识别中起着至关重要的作用。针对传统人工设计的声学特征在城市噪声识别中识别率较低的问题,本文研究了一种高精度的城市环境噪声识别方法,主要工作和成果如下:1、提出了一种迁移特征的城市环境噪声识别方法。该方法首先通过在ImageNet数据集上预训练的深度卷积神经网络(CNN)作为特征提取器,提取出语谱图图像的深层特征;然后通过全连接层和Softmax分类器对提取出的迁移特征进行分类。本文采用 Inception-v3,ResNet152,Inception-ResNet-v2 3 种网络进行实验对比与验证。并采用特征融合的方法,进一步提高了城市环境噪声的识别精度;2、提出了采用深度信念网络(DBN)对迁移学习融合特征的识别方法。首先,比较了不同的DBN参数对于识别结果的影响,包括隐藏层节点个数、受限玻尔兹曼机(RBM)迭代次数、DBN隐藏层层数。然后根据以上实验结果,获得了基于迁移学习融合特征识别率最高的DBN模型。最后,与传统声音识别方法进行对比。实验证明,本文所提出的基于深度CNN迁移学习融合特征利用DBN分类的方法能达到98.55%的平均识别率,优于传统声音识别方法。