声学场景分类可以将在公共区域中录制的录音识别为若干预定义声学场景类别之一,比如确定录音音频发生在“公园”,“步行街”或“地铁站”等场景中的具体发生场景。声学场景分类这项技术可以广泛应用于移动设备以及智能机器人上。随着近年来深度学习技术的发展,声学场景分类任务越来越多的运用深度学习技术。对于卷积神经网络,研究人员已进行了多次尝试,以构建越来越深的卷积神经网络,例如分别具有22层卷积层的GoogleLeNet和152层卷积层的残差网络。卷积神经网络通过增加深度,使得网络利用增加的非线性得到与目标函数近似的结构,从而得到更好的特征。本文主要是基于残差网络及其变种网络进行声学场景分类任务的。本文的主要内容有:(1)提出基于微批量训练的残差注意力网络声学场景分类算法。将在ImageNet分类中表现良好的残差注意力网络应用于基于微批量训练的不匹配记录设备的声学场景分类任务。通过修改残差注意力网络的输入以便它们在音频的log-mel频谱图域上运行,为了进一步提高性能,采用可切换归一化和权重标准化解决了微批量训练的难题,而无需使用强大的硬件和内存资源。分别选择4层和8层卷积神经网络作为基线系统,在TUT Urban Acoustic Scenes 2018 Mobile数据集上,我们的最佳系统获得了58.6%的分类精度,相比4层卷积神经网络实现了1.1%的分类准确度的相对提升,相比8层卷积神经网络实现了1.4%的分类准确度的相对提升。(2)提出基于迁移学习的残差网络声学场景分类算法。迁移学习微调基于残差网络的预训练模型使得它适用于声学场景分类任务,残差网络的预训练模型是基于ImageNet图片数据集。此外,focal loss用于改善整体性能。为了减少过度拟合的机会,使用了mixup数据增强技术。选择未使用迁移学习的挤压激励残差网络作为基线系统。在TUT Urban Acoustic Scenes 2018数据集上,我们的最佳系统获得了74.7%的分类精度,比基线系统相对提高了2.2%。