在资源有限和人口不断增长的世界中,野生动植物的管理和保护日益成为重要的问题,许多野生种群都受到人为活动的压力。鸟类一直担任着哨兵的角色,是整个生物多样性健康与否的指标之一,然而,我国幅员辽阔,鸟种有1400多种,在监测物种的多样性和丰度方面存在巨大困难。传统的调查方法通常成本高昂,具有时空局限性,且存在观察者偏见,同时很难数字化永久存储,不能满足目前管理和保护的需求。本研究基于改进遗传算法的BP人工神经网络,设计出适用于鸟类鸣声识别的物种识别模型,实现鸟类物种的精准、快速识别,具体研究内容和结果如下:（1）基于改进遗传算法优化BP神经网络的输入样本集的准备。通过在全球最大的鸟鸣数据库xeno-canto（https://www.xeno-canto.org/）和鸟类网（http://niaolei.org.cn/sounds）和鸟声网（http://www.1380898.com/）采集样本数据,将野外复杂环境背景的鸟鸣片段进行归一化、预加重、分帧加窗、端点检测等一系列预处理操作,利用实验确定了MFCC、LPCC、短时能量、过零率和共振峰这五个特征量,各特征参数的平均识别率分别达到75.242%、63.264%、53.394%、47.76%、38.338%。这五个特征量作为鸟类鸣声信号的组合特征参数。（2）基于改进遗传算法优化BP神经网络的鸟类物种识别模型的建立。本文在众多的方法中选取了遗传算法以及BP神经网络算法进行研究。遗传算法在调节算子参数、寻求最优解等方面具有较大优势,在优化神经网络领域拥有巨大的应用前景。通过对现有算法的深入分析和研究,结合数据的特点,提出了交叉概率cP、变异概率mP自适应的改进遗传算法来优化BP神经网络的权值和阈值。在算法中确定改进的融合GA＿BP网络结构为43-16-6,共有784个权值（其中输入层与隐藏层神经元的权值个数为688,隐藏层与输出层神经元的权值个数为96）;神经元有22个阈值（其中隐藏层神经元阈值个数为16,输出层神经元阈值个数为6）;学习率为0.1。遗传算法染色体个体编码长度为806,种群规模50,迭代250次,cP（28）0.75,mP（28）0.05。（3）选择Windows 7.0作为识别检测的操作系统,基于MATLAB（R2017b）实现数据预处理以及GA＿BP融合算法的编程,实现鸟类鸣声片段的识别。选择白鹡鸰、强脚树莺、大山雀、喜鹊、乌鸫、棕颈钩嘴鹛这六个鸟种作为实验对象,实验结果为:使用BP、SGA＿BP和AGA＿BP的识别率分别为77.65%、86.17%和88.25%,而使用IAGA＿BP的识别率高达93.16%。适应度分别为:IAGA>AGA>SGA。三种网络的迭代次数依次为:IAGA＿BP（1310次）<AGA＿BP（1632次）<SGA＿BP（1727次）。本文所提出的基于个体的自适应策略可以显著提高搜索速度,求解精度和鲁棒性,并且对深入研究鸟类的声学监测、物种识别、群落生态保护等具有重要意义,开辟了有前途的方法,可帮助准确、高效地分析大型音频数据集,以监测野生鸟类群落。