计算机听觉场景分析旨在解决计算机如何像人类一样通过声音来感知周围环境的问题。音频场景分类是它的一个子问题,其主要目的是设计一个可以正确判断出一段新的音频信号所处场景种类的系统。随着人工智能技术的迅猛发展,音频场景分类技术开始在智能监控、自动驾驶、可穿戴智能设备等很多行业得到应用,成为目前学术研究的热点之一。针对音频场景分类问题现存解决方案中忽视多域特征和网络隐藏层信息的问题,本文提出了多域融合注意力机制算法和基于深度监督的多层特征融合网络,从而解决了网络模型对通用特征信息提取不充分的问题,提高了分类的准确率。本文的主要工作及创新点如下:（1）提出了一种多域融合注意力机制算法。音频数据存在有效数据区间起始点变化不定,多场景音频混杂等问题,则单纯利用前馈神经网络进行特征抽取很难获得高性能的通用特征。因此,本文引入了注意力机制来实现网络的自适应学习与特征抽取。此外,针对以往研究者只关注单域特征提取的问题,本文提出了 一种融合时域和空域特征的多域融合注意力机制算法。实验结果表明,算法的性能在三个评价指标上均优于常用的深度学习算法,AUC达到96.8%。（2）提出了一种基于深度监督的多层特征融合网络。由于浅层网络中丰富的局部特征信息和深层网络中充足的全局描述都对网络的分类效果影响较大。因此,本文联合浅层与深层特征,利用深度监督方法同时学习音频信息的局部与全局表示,并且对这些特征信息进行了有效融合。该网络在Audio Set数据集上进行了充分的实验,结果表明其系统性能优于Google基线模型,AUC达到97%。