声音事件检测（Sound Event Detection,SED）是指在音频中检测出特定事件,并定位事件发生起止时间的技术,其在视频检索、人机交互等领域有广泛的应用场景。近年来,深度学习方法因其优越性能,已经成为主流的声音事件检测方法。在深度学习方法中,数据标签显得十分重要。然而,由于某些事件的起止时间难以确定,并且不同的事件可能同时发生,通过人工标注强标记数据代价昂贵。与强标记数据相比,只含有类别标签的弱标记数据和无标记数据更容易获取,弱标记半监督方法可以利用弱标记和无标记数据,降低数据标注成本。在半监督声音事件检测中,平均教师（Mean Teacher）方法取得了十分显著的结果,其通过一致性损失约束学生和教师模型在不同的扰动下的输出保持相同。除此以外,利用合成的强标记数据,还可以进一步提高半监督声音事件检测的性能。现有研究方法在使用弱标记、无标记数据以及合成数据时,存在如下问题:（1）在基于Mean Teacher的半监督方法中扰动显得尤为重要,现有的方法通过简单的数据增强引入扰动,它们虽然能带来提升,但效果有限。除了数据扰动以外,模型层面的扰动未被深入探究。（2）在声音事件检测任务中,不同事件持续时长差异较大,现有的做法主要针对后端处理模块进行改进,它们需要用到先验知识,并且不够灵活。（3）在利用合成数据时,现有方法直接将合成数据加入基于Mean Teacher方法的半监督框架中,它们虽然能带来提升,但却忽略了合成数据和真实数据之间分布差异。针对现有的研究方法中存在的问题,本文提出的研究工作如下:（1）针对常见的数据扰动对半监督事件检测提升不明显的问题,本文提出基于模型扰动的半监督声音事件检测方法。其中,模型扰动由提出的独立成分模块引入,它可以降低神经元的相关性,并增加学生模型的多样性,经过指数滑动平均后得到更好的教师模型,最终有利于一致性正则化。（2）针对不同声音事件持续时长差异较大的问题,本文提出事件相关的半监督声音事件检测方法。区别于后端处理方法,提出的事件相关的检测方法创新点在模型结构上。在提出的方法中,多种时间分辨率的特征图通过注意力机制融合。当输入的音频包含不同时长的事件时,注意力权重也将动态变化,最终使模型可以适应不同时长的声音事件。（3）为更好地利用合成数据,本文提出利用合成数据的域适应声音事件检测方法。在提出的基于相互平均教学的域适应方法中,原始的半监督域适应任务被解耦成为两个子任务:域适应和目标域的半监督学习,并且每个子任务都利用Mean Teacher方法训练各自的学生和教师模型。域适应子任务通过对抗训练方法缩小域间差异。半监督任务借鉴于协同训练,不同任务的模型采用相互平均教学方法相互促进。实验结果表明,两个子任务的模型具有很强的互补性,相互平均教学的方法能充分利用合成数据和无标记数据,提升事件检测的性能。