声学场景分类旨在利用对音频信号的处理和分析来获取音频所描述的场景环境,该领域的发展使数据集不断得到补充和丰富,多样的数据集意味着数据分布的不一致化,分布不一致则会进一步影响声学场景分类的表现。因此,本文提出了基于对抗域适应的声学场景分类方法,通过特征对齐来减缓数据分布不一致对声学场景分类性能的影响。首先,跨设备采集会使音频信号产生一定的畸变,导致数据分布不一致,为了解决该问题,本文提出基于熵加权和指导信息的条件对抗域适应方法。该方法通过对抗训练将由不同设备采集的音频的特征分布对齐以此获取设备无关特征,减少设备差异性对分类系统的干扰。与传统的对抗域适应方法相比,所提系统将场景信息作为特征对齐的条件使特征分布按场景类别对齐;然后,熵加权为样本匹配不同的权重来提升特征对齐的效率;最后,指导信息的引入使场景信息和熵加权生成的更合适。在DCASE2019多设备声学场景分类任务的数据集上,所提方法比传统对抗域适应方法以更有效的对齐特征方式避免了设备多样性造成的分布不一致问题,平均正确率达到61.9%。其次,未定义场景与已定义场景的音频因所含语义信息或声音事件的不同而导致数据分布不一致,为此本文提出了基于对抗域适应的开放集声学场景分类方法。该方法利用预设的伪阈值规划已知场景和未知场景的界线,通过两类场景的对抗训练提取未知场景进而完成已知场景的分类任务。所提方法在DCASE2019开放集声学场景分类任务的数据集上证明对抗域适应能在识别未定义的或不感兴趣的场景的同时分类已知场景,与基线系统相比,本文方法在已知场景的识别率上提升12.4%,在未知场景的识别率上提升17.5%。最后,考虑到设备差异性和记录场景多样性可能会同时出现导致数据分布不一致,因此本文提出了一个新的应用场景:开放集多设备声学场景分类,并提出了基于对抗域适应的解决方法。所提方法通过特征对齐提取与设备无关的特征表示来完成多设备已知场景分类,并通过对抗训练识别未知场景。在DCASE 2019多设备声学场景分类任务和开放集声学场景分类任务的联合数据集上验证了模型的有效性。为了解决设备多样性或含场景未知而造成的数据分布不一致问题,本文提出将对抗域适应方法应用于多设备、开放集以及开放集多设备声学场景分类中,降低分布不一致对场景分类的影响。