雨情识别技术一直以来都是气象水文领域的研究热点之一,随着人工智能技术的发展,信号识别算法的高关注度为实现创新有效的雨情识别提供可能。雨声信号的变化可反演雨情的发展及消散过程,对及时预警防灾减灾具有重要意义。为了识别降雨情况,本文设计了一种基于声音信号的雨情识别系统。本系统采用带外壳的雨声采集器,所获雨声信号段共计1500个,其中小雨（0.1～9.9mm）、中雨（10～24.9mm）和大雨（25～49.9mm）三种雨情各约500个,建立了微型雨声数据库。为了剥离出较纯净雨声,通过盲源分离算法处理含噪雨声信号,获得雨声信号成分。为了提升分类模型的分类准确率,利用变分模态分解（VMD）结合小波包算法进行信号去噪,获得纯净雨声信号。针对传统分类模型分类不佳的缺陷,对三种雨情下的声音信号进行随机森林寻优、贝叶斯优化极端梯度提升（XGBoost）算法两种分类研究,获得较好分类效果。具体工作如下:为了保证研究雨声信号的真实可靠性,设计一种基于STM32的雨声采集装置。考虑声音在介质中传播速度及防止雨水杂物附着积累引起不必要测量误差,设计了一个倾斜角为45°圆锥不锈钢体,将麦克风采集模块布置其内部。利用微控制器内置的三个ADC采集同一时间、同一环境的雨声信号,经均值拟合后获取更接近实际雨声的信号,构建完整可靠的微型雨声信号数据库。为了获得较纯净雨声,提出了一种雨声信号处理的盲源分离方法。将一路雨声信号和两路环境声音信号结合随机矩阵混合成待观测信号,运用固定点算法（Fast ICA）和主成分分析（PCA）算法分别进行盲源分离实验,比较两种盲源分离算法的平均运行时间、分离信号的信噪比、均方根误差判断其分离效果。实验结果表明,Fast ICA解混收敛速度更快且PI分离性能指标达到小数点后两位,实现盲源分离更好的分离效果。针对雨声信号易受干扰噪声影响的问题,提出了一种基于VMD和小波包的雨声去噪算法。利用VMD算法将雨声信号分解成一系列具有稀疏特性的变分模态分量（VMF）,结合快速傅里叶变换（FFT）分析各分量的频率特性,划分低频、中频和高频分量,使用小波包挑选不同阈值准则对不同频段针对性地处理实现去噪,将去噪信噪比差和均方根误差作为判断去噪效果的评价指标。实验结果表明,针对三种雨情的去噪信噪比明显提升,均方根误差降低两个数量级,去噪效果得到改善。针对传统神经网络算法对雨声信号分类能力较弱的缺陷,提出两种基于树理论的雨声信号分类算法。为了提升分类模型的泛化性,利用梅尔频率倒谱系数（MFCC）和一阶差分系数对所有雨声数据集进行特征提取。第一种基于随机森林的雨声信号分类算法,调整其分类树的个数,寻找处理三类雨情最佳的模型状态。为了验证算法的有效性,对比传统神经网络和支持向量机分类模型,分类准确率均能达到80%以上。第二种基于贝叶斯优化XGBoost的雨声信号分类算法,利用贝叶斯的寻优能力对XGBoost的分类模型进行优化。实验结果表明,分类准确率均突破90%,其中对于小雨和大雨信号能达到95%以上的准确率,较随机森林算法,分类效果更好。