音频携带了城市中大量关于日常环境、生活场景和物理事件的信息。通过深度学习方法智能分类识别出各个声源并提供相应的运用与服务,在构建智慧城市中具有巨大的潜力与应用前景。其被广泛运用于噪音监控、城市安防、多媒体信息检索、智慧工厂等方面。但当前已有的城市音频分类模型仍存在分类准确率不够高、泛化能力不够强以及噪音鲁棒性较弱等问题,针对上述问题论文进行了如下研究:（1）为解决城市音频分类领域中现有模型分类准确率不够高、泛化能力不够强的问题,提出了一种N阶密集卷积神经网络的城市音频分类模型。首先介绍了密集卷积神经网络的结构;其次基于N阶马尔可夫模型将密集连接改进为N阶有关连接;然后提出了一种新型音频分类模型:N阶密集连接卷积网络。该模型在缓解梯度消失的前提下更高效利用特征信息,收敛速度更快、分类准确率更高;最后基于Urban Sound8K和Dcase2016数据集的研究结果表明:模型分类准确率分别为83.27%、81.03%,验证了模型具有良好的分类准确率和泛化能力。（2）为进一步提高城市音频分类模型的分类准确率与泛化能力,提出了一种双特征2阶密集卷积神经网络的城市音频分类模型。首先介绍了特征提取的原理与方法,其次详细的阐述了2阶密集卷积神经网络的算法与结构;然后结合双特征融合与2阶密集卷积神经网络提出了一种更适合城市音频分类的模型:双特征2阶密集卷积神经网络;最后基于Urban Sound8K和Dcase2016数据集的研究结果表明:该模型的分类准确率分别为84.83%、85.17%,与基线准确率相比分别提高了13.81%和7.07%,验证了模型具有优秀的分类准确率和泛化能力。（3）为提高噪音环境下城市音频分类模型的鲁棒性,提出了一种双特征互补偿自适应2阶密集卷积神经网络噪音鲁棒的城市音频分类模型。首先介绍了噪音添加和噪音鲁棒处理;其次阐述了一种双特征互补偿的算法;然后结合两者提出了一种噪音鲁棒音频分类模型:双特征互补偿自适应2阶密集卷积神经网络;最后,基于Dcase2016数据集开展噪音环境下城市音频分类研究。实验结果表明:模型分类准确率分别可达77.12%、75.52%,与基线模型相比,平均分类准确率分别提高了10.22%和11.04%,验证了模型良好的噪音鲁棒性。（4）为评估模型在真实场景下的可行性与实践性,基于2阶密集卷积神经网络模型构建了AI EAR:面向城市音频的智能分类、识别与检测系统。首先基于2阶密集卷积神经网络开发了批量音频分类、音频分割检测、实时音频识别、音视频检索定位功能的API接口;然后以Qt为基础开发GUI界面实现了上述功能的人机交互;最后在无锡市进行音频分类实验。实验结果表明AI EAR系统处理城市音频大数据具有优异的实时性、精准性、以及高效性,验证了模型与系统良好的可行性与实践性。