声音是一种最常见的信息载体,可以作为信息传递的媒介。并且声学传感器相比于其他类型的传感器来说,在隐蔽性上做的更好,成本很低,在受到电磁干扰的情况时,抗外界干扰能力比其他类型的传感器更强。现在,声音识别在各行各业中都得到了广泛应用。因此,对于声音目标识别的研究具有重大意义。特征提取和分类两个模块是研究声音识别的两个核心部分,在传统方法中,一般是通过人工方式提取特征,这对个人的经验要求很高。另外,一些特定环境中复杂的声音特征很难被人工提取出来。这就会导致无法进行分类器的构建以及复杂声音的分类。深度学习算法,其作为智能感知算法,可以高效的挖掘类别属性与深层特征。基于深度学习的理论基础,本文提出了利用深度学习中不同神经网络的算法来构建分类器,用来实现声音目标的识别。由此,本文基于对声音特征提取与分类识别两个主要模块,设计了适用于处理音频信号的卷积神经网络(CNN)和循环神经网络(RNN)两种不同的深度学习算法来对声音信息进行特征提取,训练,最后实现正确分类。本文的创新主要有以下4点:(1)利用深度学习模型设计了发动机噪声识别系统。(2)利用卷积神经网络对多噪声源多时长的声音特征进行提取。(3)在训练网络和训练方式上进行了优化。(4)设计了不同种深度学习网络模型进行实验比较,从而得出最好的一种网络模型。基于以上内容,实验成果有望应用于自适应的多目标声音的识别。论文内容包括以下几个方面:1、介绍了课题的研究背景,简述了声音识别的应用领域和此方面的研究现状。2、介绍了声音识别的相关理论基础,以及深度学习中的相关算法,CNN和RNN包括长短时记忆模型(LSTM)和门控循环单元(GRU)的一些基础知识。3、基于深度学习网络设计了发动机噪声识别系统。介绍了系统的整体架构,和设计流程。着重介绍了多时长的MFCC特征提取方法,以及不同深度学习训练网络的结构和训练方法。4、对比使用不同深度学习网络训练的结果,并给出分析,得出结论。5、总结全文的工作,并探讨未解决的问题以及未来发展的方向。