声音事件识别在音频数据检索、声学监视、医疗保健、环境声音识别、音频取证、以及异常事件监测等领域都具有重要意义。然而,现实环境中存在多种多样的背景噪声,影响了声音事件的识别。针对这个问题,本文以低信噪比噪声环境下的声音事件识别为研究点,提出Bark尺度的小波包分解系数重构的频谱投影(BSP)特征和卷积神经网络(CNN)提取的谱图特征结合随机森林(RF)的声音事件识别方法。本文的主要内容如下:1)分析声音事件的谱图。通过短时傅立叶变换(STFT)将声音事件从时域转换为时频域结合的声谱图,并对STFT谱图使用gammatone滤波器生成gammatone频谱图。gammatone频谱图,着重分析谱图的低频部分,相对忽略高频部分,更好地反映声音事件的频带分布规律。2)提取Bark尺度的小波包分解系数重构频谱投影(BSP)特征。首先,使用短时谱估计法对声音事件进行增强。然后,根据人耳听觉特性,对声音事件进行Bark尺度的小波包分解,将分解系数重构信号并生成频谱;最后,提取频谱的投影特征,即各个Bark频率群的BSP特征。3)用卷积神经网络提取谱图特征。使用gammatone频谱结合卷积神经网络的自主学习能力来提取声音事件的特征。首先,对声音事件生成的gammatone频谱进行窗移得到片段样本集;然后,卷积神经网络模型对gammatone频谱片段样本集训练过程中通过前向和反向传播误差调整得到其最优权重参数,截断全连接层输出来作为声音事件的特征。4)分类与识别。由于随机森林训练速度快,泛化能力强的特点,选用随机森林对提取的特征进行分类。对训练样本的特征集用自助重采样生成多个特征子集;根据决策树构建规则,使用特征子集构建对应决策树组成随机森林。测试时,将随机森林的投票结果作为预测结果。本文分别在不同噪声环境下,以不同的信噪比,对40种动物声音进行识别实验。结果表明,本文的方法能有效辨识大范围的声音事件,并且适合于低信噪比环境下声音事件的识别。