中国已成为世界上扬声器的最重要生产与出口基地,传统扬声器质量检测及分类方法是通过人工听音的方式来进行诊断,由于人工听音的结果受到听音员的主观因素影响,难以形成一个稳定且统一的扬声器检测分类标准,而且容易造成听音员听力损伤,因此在扬声器生产过程中用信号处理的方式对其进行质量检测和故障分类具有重要意义。为了提高扬声器的分类正确率,本文针对扬声器异常声分类研究了人耳听觉系统的心理声学特征,提出了基于心理声学的故障特征提取方法,并进行分类实验。本文的主要研究内容为:1、分析了扬声器在碰圈、漏气、小音三类故障下产生异常声的机理,搭建了扬声器响应信号采集平台,对正常扬声器以及上述三类故障扬声器进行数据采集。2、为了提高扬声器异常声分类的准确性,以及降低心理声学模型存在的空间维度高与冗余度大等问题带来的影响,本文借鉴人耳的掩蔽效应对听音识别的作用,提出了一种将听觉掩蔽与最大相关最小冗余（Maximal Relevance Minimal Redundancy,MRMR）算法相结合的特征提取方法。首先计算扬声器响应信号的听觉掩蔽谱,然后对听觉掩蔽谱进行奇异值分解,得到的奇异值作为待选特征集;最后,利用MRMR算法从该特征集中选择最优的特征。通过t-分布领域嵌入可视化算法分析表明,该方法能够提取具有更好辨识性的扬声器响应信号特征,并且可以消除冗余信息,避免在分类过程中由于特征过多导致分类模型维度过高的问题。3、基于人耳主观听觉中的常见心理声学特征,文中提出一种基于熵加权的时变特征响度结合二维主成分分析的扬声器异常声的特征提取方法。该方法通过模拟人工听音来分析扬声器声响应信号,为了便于故障信息的特征提取,本方法计算了基于时变特征响度每一个频带能量熵的权重系数,然后通过权重系数增强了时变特征响度中每一个频带的特征。为了减少特征冗余量,本方法采用二维主成分分析法对高维特征进行了降维。通过t-分布领域嵌入可视化算法分析表明,该方法可以有效的提高不同故障扬声器的识别率。4、文中提出了基于决策融合的扬声器检测分类方法。该方法采用投票机制来对文中所提出的两种特征提取方法,以及传统的时-频域特征进行决策级融合,并对加权投票与传统投票决策融合方法进行对比。实验表明了利用加权投票决策融合的方法可以解决单一方法分类结果不充分的问题,可以提高整体的扬声器故障识别率,扬声器故障分类的平均识别率达到98.9%。