声音中包括大量的环境信息,对录制音频中的环境信息进行识别可以判断出录制音频所处的声音场景。声音场景分类就是对录制音频所处的声音场景进行判别。近年来,声音场景分类逐渐成为一个新的研究热点。伴随着该研究的推广并应用在可穿戴设备中就可能面临着录音设备不匹配的问题。由此而产生了面向不同录音设备的声音场景分类方法研究。本文所选用的数据集为DCASE(Detection and Classification of Acoustic Scenes and Events)2019任务1B的数据集,DCASE是由IEEE AASP(Audio and Acoustic Signal Processing)授权的全球性比赛,提供的数据集被国内外广大研究人员所使用。本文首先按照其所提供的基线系统中所使用的特征提取方法和卷积神经网络,最后得到设备平均准确率为41.4%。接着,以对数梅尔谱进行特征提取,在特征提取的基础之上分别使用HPSS(Harmonic Percussive Source Separation)、NNF(Nearest Neighbor Filter)、Vocal separation频谱分解的方法和HRTF(Head-related Transfer Function)方法进行音频预处理。再使用VGGNet网络结构对所得到的不同的特征进行训练,并对训练得到的模型进行集成学习。最后,使用频谱分解方法得到的设备平均准确率达到64.0%,使用HRTF方法得到的设备平均准确率提高至65.1%。在音频预处理的基础之上,对数据集中所有的音频片段提取特征的同时,额外使用频谱校正对音频片段的频谱进行校正,使得不同设备之间的差异缩小,进而使得所提供的音频片段之间更相似。对所提取的特征使用VGGNet网络结构进行训练,得到的单个模型结果相比于不使用频谱校正的结果,使用频谱分解方法进行音频预处理得到的设备平均准确率最高提升达到8.8%,使用HRTF方法进行音频预处理得到的设备平均准确率最高提升达到5.9%。在音频预处理和频谱校正的基础之上,对VGGNet网络结构进行改进,得到ResNet网络结构,对所提取的特征进行Mixup数据增强,使用焦点损失函数进行训练,得到的单个模型结果相比于使用VGGNet网络结构训练得到的结果,除了vocal separation音频预处理算法,设备平均准确率均得到了大幅提升,最高提升达到10.3%。最后,使用集成学习,并在集成学习上使用类加权,所得到的设备平均准确率的结果达到最高为73.9%,相比基线系统结果,提升幅度高达32.5%。