近年来,全球鸟类数量不断减少,物种多样性形势严峻。为了研究影响鸟类福利的原因,生态工作者需要对鸟类的活动进行监测。目前,鸟类活动的监测主要是通过生态工作者的听觉以及分析鸟鸣的时域波形与频谱结构来识别鸟的种类,这种监测方式耗时且昂贵。随着无线声传感器与机器监听技术的发展,生态工作者可以通过部署无线声传感器网络,远程采集鸟类的鸣声代替现场采集。受到环境噪声与数据分布不均衡的影响,常见北美林莺鸣声识别模型精度不高、监测能力弱,为了进一步提升鸟鸣监测的准确性,本文以43类北美林莺的迁徙鸣声为研究对象,针对其发声特点与频谱特性,研究合适的特征提取与分类方法,为研究候鸟迁徙提供补充信息。论文主要研究内容如下:第一、针对北美林莺鸣声的采集过程以及声学特性,选取合适的预处理方法,统一鸟鸣信号的长度与幅值,分析基于手工特征与深度学习的传统鸟鸣识别算法,在由声学和图像来描述的手工特征生成后,使用机器学习算法,包括K最近邻与支持向量机来判断鸟鸣信号所包含的物种信息。在深度学习模型中,采用VGGNet、Mobile Net与Efficient Net等来判断鸟鸣信号所包含的物种信息,并通过分析传统鸟鸣识别算法的实验结果作为本次研究的实验基线。第二、针对北美林莺叫声持续时间短、频率高等特点,选用一维局部二值模式与一维局部三值模式将候鸟鸣声划分为长度很小的时间片段,通过整合短时间内的纹理特征来描述鸟鸣。为了生成鸟鸣的深层特征,以“sym4”小波为基小波将候鸟鸣声进行9层小波分解,去除高频系数,整合每一层低频系数与原始波形的纹理特征,并联合离散余弦变换与离散傅里叶变换将候鸟鸣声转换为频域,生成频域信号的深层纹理特征。针对纹理特征维度大、冗余性高等特点,研究一种改进的特征选择算法,选择最优特征,利用K近邻与支持向量机进行分类。为了减少非平衡学习的影响,使用集成学习方法将不同特征进行融合,获得88.70%的平衡准确率。第三、针对纹理特征难以进一步提升鸟鸣监测准确性的缺陷,引入多维神经网络作为特征提取器生成候鸟鸣声的深度特征,包括1D CNN-LSTM、2D VGG-Style与3D Dense Net121,通过不同维度的模型来提取候鸟鸣声的频率动态信息。为了减少过拟合,使用Mix up数据增广生成虚拟数据加入模型训练。通过将不同维度模型的深度特征融合后送入K近邻与支持向量机分类。实验结果表明,该模型可获得93.89%的平衡准确率,有效提高候鸟鸣声的识别精度。第四、为方便生态工作者利用本文算法进行候鸟鸣声分析,论文使用Python语言,基于Py Qt5函数库与Qtdesigner、Qtui等工具开发在线鸟鸣识别系统,通过按键方式进行人机交互,实现候鸟鸣声的波形分析、频谱分析、特征提取以及物种识别等功能。