在当今移动互联网与大数据时代,人们可以轻松获取自然声学场景中录制的海量音频数据。如何有效分析与浏览这些音频数据,已成为自然声学场景内容分析领域的研究热点之一。本文以自然声学场景音频作为处理对象,探究声学场景聚类与事件检测问题,并提出有效解决方案。本文的主要工作及创新点如下:（1）目前绝大多数研究工作致力于有监督的声学场景分类,而无监督的声学场景聚类研究工作却极少。本文提出一种基于深度特征学习与聚类迭代协同优化的声学场景聚类方法。首先,提取音频样本的对数梅尔频谱特征（Log Mel Spectrum,LMS）,并初始化卷积神经网络（Convolutional Neural Networks,CNN）,以便提取深度特征。接着采用凝聚层次聚类（Agglomerative Hierarchical Clustering,AHC）方法合并最相似的两类。根据论文设计的损失函数更新CNN参数。上述深度特征提取过程与聚类迭代过程交替进行,直到满足收敛条件。使用两个主流音频数据集进行评测,采用归一化互信息（Normalized Mutual Information,NMI）和聚类精度（Clustering Accuracy,CA）作为评价指标。实验结果表明:本文方法优于其他传统聚类方法。此外,本文方法提取的深度特征优于其他特征,且本文方法具备良好的鲁棒性。（2）在不增加深度神经网络复杂度的前提下,如何继续提升声学事件检测性能,是自然声学场景内容分析的热点问题之一,也是本文的另一个研究工作。本文提出一种基于空洞卷积循环神经网络的声学事件检测方法。首先,提取各音频样本的LMS特征,构建空洞卷积循环神经网络（Dilated Convolutional Recurrent Neural Network,DCRNN）。接着,采用已构建的DCRNN判断测试样本各音频帧所属的声学事件类型。使用三个主流实验数据集（TUT SED Synthetic 2016、TUT Sound Event 2016和TUT Sound Event2017）进行评测,采用F1-score和错误率（Error Rate,ER）作为评价指标。实验结果表明:与基线方法相比,本文方法取得更优的检测性能,而且神经网络模型参数量没有增加。综上所述,本文提出基于深度神经网络的声学场景聚类与事件检测方法,从多个角度进行实验评测与分析,证明本文方法的有效性。