扬声器是5G、AI、机器人、语音识别、VR等新技术应用中人机交互时必备的基本器件,在生产过程中对其异音故障进行自动化诊断显得十分必要。传统检测是预先给定扬声器一个激励信号,通过人耳听觉感知的方法,来判断扬声器的异音。由于每个人对声音的敏感程度不同,加上长时间的劳动,使得人工诊断方法的准确度和一致性不高。本文以正常扬声器与鼓膜破损漏气、铁粉杂质、小音三种故障类型的扬声器作为研究对象。通过搭建实验平台,给定4种类型扬声器激励信号,并采集获得相应的响应信号,对扬声器的响应信号进行特征提取和利用模式识别的方法对其进行分类。在局部均值分解(Local Mean Decomposition,LMD)算法的基础上,提出了LMD与能量熵相结合的方法提取扬声器异音特征值,为下一步的故障诊断模式识别奠定基础。利用LMD分解法对扬声器响应信号进行分解,得到一系列乘积函数(Product Function,PF)分量,并求出它们的能量熵,构成扬声器响应信号的特征值。实验表明,LMD和能量熵的方法能够有效提取扬声器响应信号的特征值。在最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)分类算法的基础上,选取径向基核函数建立LSSVM模型对扬声器异音特征值进行模式识别分类。将LMD分解提取到的扬声器异音能量熵特征值输入到LSSVM算法中进行训练模型和识别分类,在不同核参数和惩罚因子下得到的LSSVM扬声器异音识别率结果为85.00%,88.75%,91.25%,92.50%。在粒子群优化(Particle Swarm Optimization,PSO)算法基础上,对LSSVM的参数进行优化,以提高LSSVM扬声器异音特征值模式识别准确率。并针对PSO算法容易陷入局部最优导致无法全局寻优的问题,引入了模拟退火算法(Simulated Annealing,SA)弥补PSO算法的不足。通过SA-PSO算法优化LSSVM的核参数和惩罚因子,建立SAPSO-LSSVM的扬声器异音识别模型,对扬声器能量熵特征值进行训练和识别分类。实验表明,经过SA-PSO优化参数后的LSSVM扬声器异音识别率提升到了96.25%。本文利用LMD分解法对扬声器的响应信号进行分析和处理,提取扬声器响应信号特征值,再通过SA-PSO优化参数后的LSSVM分类算法进行异音故障识别分类,为扬声器的自动化异音识别研究提供参考。