伴随着经济社会的发展,汽车已经走进千家万户成为人们日常生活中主要的出行工具,由技术革新带来的变化,使得现在的消费者对于汽车越来越挑剔,不再是单独只看性能配置,而是越来越多的关注整车的舒适性。声品质主导的NVH(噪声、振动与声振粗糙度)是乘车舒适性的一个重要参考指标。针对汽车声品质研究中遇到的问题,本文对四款国内轿车车内噪声进行了采集和分析。下面对论文所研究内容进行简要的介绍:首先对汽车噪声的主要来源、产生机理和影响因素进行分析。得到汽车内噪声主要来自于发动机。选择了5种最常用的心理声学客观参数,对声音的心理声学参数的计算模型进行研究。对比三种声品质主观评价方法,本文采用等级评分法进行研究。在研究中采用数字人工头提取车内噪声信号,采集4种国产轿车在均速行驶情况下5种车速的车内声音信号,并计算出噪声信号的客观参数值,采用核主成分分析法对样本数据进行处理,得到第一主元和第二主元。然后完成主观试验,获取声品质主观评价数据。将降维后的声学样本数据作为输入,主观评价结果作为输出,建立改进PSO-GA的BP神经网络预测模型。利用建立的声品质预测模型对声音样本进行预测,对比预测结果与真实值证明了声品质预测模型有更好的准确度和收敛速度。研究结论证明:BP网络自我学习能力强,能够处理非平稳、非线性的车内噪声信号,但是存在训练速度缓慢、在全局的搜索能力不迅速、常常陷入到局部最小值的缺陷;结合改进PSO-GA算法后能够保证搜索准确性的情况下实现全局快速寻优。将建立的声品质预测模型与BP神经网络模型、GA-BP神经网络模型分别对声音样本进行预测,基于改进PSO-GA算法的BP神经网络模型预测精度更高,证明了所建模型的有效性。本论文提出的基于改进PSO-GA算法的BP神经网络模型对汽车内声品质的研究有一定的指导作用。