音频场景识别是语音及音频信号处理研究中的一个新领域,其目的是通过分析观测到的音频特征来判别该段音频数据录制时的背景环境。由于准确的识别音频场景和环境可以为如语音识别、说话人识别以及基于语音的检索等提供有价值的辅助信息,因而该领域越来越受到广泛的重视。本文从特征数据的获得开始,逐步使用不同分类器建立音频场景的参数模型并对其不断完善。文中研究了基于聚类的音频场景特征数据的提取和纯净化方法。在特征数据的获取阶段,使用基于层次聚类结合人工听辩确认方法来保证得到的特征数据的代表性和纯净性。在这一阶段重点探讨了在层次聚类的过程使用GMM作为数据聚类单元时,GMM间相似性度量以及合并的方法。其次对音频场景特征数据进行了分析,提取了音频场景的韵律序列特征和非时序特征分别训练HMM和GMM以及SVM分类器。在HMM的解码过程方面,提出一种后验转移概率解码方法来尝试解决HMM与数据不匹配时的性能下降问题。本文还使用最小错误分类准则来训练GMM提高其对特征数据的区分能力。最后使用自训练的学习算法,在未标记的数据集上对SVM和GMM分类器进行半监督学习。在合适选取预测置信度阈值的情况下提高了分类器的性能。本文还使用了线性加权法对分类器进行融合,融合后的分类器性能可以超越单一分类器。