不同地域、不同种类的蝙蝠对捕食生境的选择是不同的。因此,明确不同种类蝙蝠的捕食生境对有效地开展蝙蝠保护工作十分重要。但在对蝙蝠的保护和研究中,由于蝙蝠活动习性和行为的特殊性,捕捉和种类鉴别都具有一定的难度。目前主要通过蝙蝠形态特征观察鉴定蝙蝠的种类,对形态特征相近的种类很难进行准确地鉴别和归类,且鉴定的准确度依赖于研究者的经验和能力。研究发现蝙蝠的回声定位声波虽然能够随着所发出的声波的变化而不断变化,但总体趋势固定不变。种内每只蝙蝠个体的回声定位声波能够根据不同的环境和目的进行显著的变化,但每个种类整体的声波为回声定位声波基本形式中的一种。因此,不同种类蝙蝠的回声定位声波间有很大的差别。所以,我们可以根据回声定位声波的差异并引入神经网络对不同种类的蝙蝠进行分类识别。这样不仅可以减少人为因素,最重要的是将蝙蝠种类鉴别工作系统化、理论化、自动化。为建立蝙蝠声学数据库奠定基础。学习向量量化(LVQ)神经网络是在有教师状态下对竞争层进行训练的一种学习网络,其网络结构简单,在有效性和鲁棒性方面优于前向反馈(BP)神经网络。在对网络进行训练时发现,至少在相同输入维度前提下,其训练速度要比BP网络快。本文利用小波包分析方法,对实际采集的飞行状态下短翼菊头蝠(Rhinolophus lepidus)、鲁氏菊头蝠(Rhinolophus rouxi)、中菊头蝠(Rhinolophus affinis)和马铁菊头蝠(Rhinolophus ferrumequinum)四种蝙蝠的回声定位声波进行三层小波包分解,提取不同频带范围内的能量值作为特征参数,然后应用LVQ神经网络进行模式识别,并与张新娜所做的BP神经网络识别结果进行比较。为了更充分的体现本研究的生物学意义,并结合LVQ神经网络的输入向量可以不归一化的特点,本文尝试了将八种蝙蝠回声定位声波的基本特征参数(主频率、声脉冲宽度、声脉冲时间间隔、能率环)作为特征向量,输入到LVQ神经网络进行种类识别,得到了比较理想的结果。