声学场景分类任务是将输入的音频分类成一个预先定义的声学场景的类,其目的是通过机器来模拟人类分辨声学场景的能力。目前声学场景分类技术在生态环境监测、公共安全智能化监控、语音识别技术、自动化辅助驾驶等多个领域都有应用,这也使声学场景分类任务成为人工智能发展的重要领域。近几年来,深度学习技术已经广泛应用于人工智能的各个领域,卷积神经网络也逐渐成为最受欢迎的声学场景分类方法。本文主要研究了在声学场景分类问题中不同的卷积神经网络架构对分类结果的影响,并在此基础上,提出了一种将声学场景分类与声音事件检测(主辅任务)相结合的多任务学习方法。本文的主要的工作有以下两个方面:(1)研究了面向声学场景分类的卷积神经网络模型构建的方法。由于声学场景分类任务的特殊性,深层结构的卷积神经网络并不能获得很好的效果。本文针对声学场景分类问题,从卷积神经网络的一般架构入手,通过对卷积层数、过渡层以及网络架构类型的调整来对声学场景分类问题进行研究。最终,我们构建出的模型在TUT acoustic scene 2017数据集上进行广泛的实验,相较于DCASE2017基线系统,我们构建的模型在分类准确率上有明显的提升。(2)提出一种基于多任务卷积神经网络的声学场景分类方法。由于声学场景分类任务的特殊性和数据集的限制,很难通过设计模型架构来继续提高准确率。为此,本文提出了利用声学场景和声音事件的相关性,将声学场景分类与声音事件检测(主辅任务)相结合联合训练的多任务学习方法。实验结果表明,基于多任务学习的卷积神经网络模型在声学场景分类问题上,比基于单个任务的卷积神经网络模型分类准确率有一定的提升。声音事件检测的分段错误率相比与基线系统有所上升,但F-score的准确率有提升。该实验结果验证了我们所提出方法的有效性。