音频事件检测技术是音频内容分析与处理最主要的任务之一,目标是判断音频段中所发生的事件种类并标注音频事件的起止时间,其算法性能的优劣对后续音频处理与分析相关任务具有重要的影响。该技术涉及了机器学习与模式识别等相关领域知识,并在现实中存在广泛的应用领域,如安防监控、智能家居以及多媒体检索等。音频事件检测技术存在以多种标注格式进行学习的形式,本文以深度学习技术为基本理论,针对基于序列标注格式的检测算法进行了深入研究并提出相关改进方法,构造相应数据集以对算法的性能进行分析。本文的主要工作和创新点包括:(1).对基于序列标注的音频事件检测算法,提出了一种序列标注格式以及损失函数,使其能够利用音频段中准确的事件序列信息,并引入复合状态的概念清晰地对序列信息进行数学描述。然后在CTC(Connectionist Temporal Localization)算法基础上进行改进,使其能够利用所提出的复合状态以及损失函数对模型进行训练。(2).收集并构建了一个具有多种音频事件类型以及充足有效时长的音频数据集,并提供准确的强标注文件。通过混音等音频处理算法生成多个具有不同统计特性的数据集,然后利用生成的数据分析数据统计特性对各算法性能的影响。为了验证提出算法的有效性,本文在三个公开的数据集TUT Sound Events Synthetic 2016、TUT Sound Events 2016 Develoment以及TUT Sound Events 2017上分别进行了对比试验,通过实验可以验证相较于原有的基于序列标注的音频事件检测算法,本文所提出的算法具有更优异的性能以及稳定性。