在边防区域的野外环境下,通过对入侵目标声音信号的分析处理,完成入侵目标的探测识别,以实现边防区域的智能化实时监控。传统的目标探测识别方法是使用多传感器进行组合探测,其中,声音传感器易受噪声和其它声源的干扰,导致声目标识别的准确率下降。针对上述问题,本文设计了一个野外环境下的人车识别方案,并对其中的端点检测算法进行优化改进。本文主要围绕基于声音传感器的声目标识别技术进行重点研究,并从以下四部分展开讨论:（1）在野外环境下,采集到的声目标信号难免会受背景噪声的干扰,使目标信号失去原有的特性。因此,需要对采集到的信号进行降噪处理,以提高目标信号信噪比。由于野外环境下的背景噪声复杂多变,所以采用基于RLS与LMS的自适应噪声抵消算法进行降噪处理,并通过仿真实验结果进行对比分析,最终选取收敛速度与收敛精度都更好的RLS算法完成对信号的降噪处理。（2）把采集到的声音信号进行降噪处理后,对出现的声目标信号进行端点检测。当有入侵的声目标出现时,采用基于短时能量的改进端点检测算法对其进行端点检测,通过一次长帧粗检测与一次短帧细检测,精确地定位出目标信号的起止点,进而排除掉无效的背景噪声段。另外,设计一个基于短时平均幅度的门限判决方案,在完成端点检测之后对是否有入侵目标出现做一次预判断。（3）对时频域特征参数提取的基本原理及提取步骤进行简要叙述,并对不同特征参数在声目标识别中的适用性进行对比分析。通过对不同特征参数的分析及后续的实验结果对比,选取梅尔频率倒谱系数作为人车识别的特征参数。（4）为声目标识别系统选取一个合适的分类器,完成野外环境下的人车目标识别。本文根据运动目标的声音信号与说话人类似的特点,以人车声信号的MFCC作为特征,采用基于高斯混合模型（GMM）的分类器完成人车目标识别。最后通过对实验结果和野外环境下的现场测试结果进行综合分析,证明本文设计的识别方案可以完成野外环境下的人车识别,且识别率与识别速度均可满足实际需求。