声音是生物学上重要的生态特征,了解声音的特征,对语音识别等领域具有重要意义,目前基于人的声音的语音识别研究非常丰富,而关注于鸟类鸣声识别的研究却很少,鸟鸣识别相关的研究成果在自然保护区内的鸟类物种信息采集、鸟类行为分析、生态环境检测等方面具有很大作用。特别是对于自然保护区信息采集领域,传统的信息采集多是以人工为主,通过对鸟类特征的观察来确定鸟的种类,费时又费力,如果能够通过鸟鸣声进行鸟的种类识别,那么将节省很多工作。由此可见,基于鸟类鸣声的分类识别研究至关重要。本文提出了一种基于深度学习和多维特征融合的鸟类鸣声分类算法,通过鸣声语图转换和特征提取,再结合深度学习模型,从而实现通过鸟鸣声进行鸟类物种的识别。本文的主要工作及特色包括:1.利用不同数据集构建多种鸣声语图样本库。本文基于上海市崇明东滩及其周边常见的26种鸟类构建了自建数据集,并采用其他两个公开数据集,共同组成本文的鸟类鸣声数据集。本文首先对鸣声信号进行预处理,得到质量更高的鸣声数据,然后利用时频分析方法生成STFT语图、Mel语图、Chirplet语图三种类型的语图样本库,每种语图样本库均包含60967张语图。语图样本库是本文进行鸟类鸣声识别研究的基础。2.设计了一种基于Res Net50-CNN-GRU的鸟类鸣声分类方法。本文通过对比不同迁移模型的特征提取能力,发现Res Net50迁移模型在鸟类鸣声特征提取方面具有独特的优势,然后利用门控循环单元（GRU）对序列化数据的处理能力,再结合卷积神经网络（CNN）设计了一种基于CNN-GRU的鸟类鸣声分类模型。基于此,本文形成了一种基于Res Net50-CNN-GRU的鸟类鸣声分类方法。3.本文提出一种基于多维特征融合的鸟类鸣声识别方法。不同的语图能够反映鸟类鸣声的不同特征,将不同语图特征中的优势特征进行融合,能够得到新的融合特征。实验表明,融合特征比单一特征具有更好的分类性能,在不同的迁移模型和数据集上都能得到验证,说明该方法对鸟类鸣声识别效果的改善是可行有效的。实验结果表明,本文提出的识别算法较传统的鸟类鸣声分类方法具有更好的分类效果,本文提出的多维特征融合算法对分类效果的改进在多种迁移模型都能得到验证。