随着汽车的广泛应用,汽车声品质也越来越受到人们的重视。对于汽车声音的采集,国内外大多采用的是人工头数据采集系统,但由于该设备价格昂贵技术加密等原因,我国的汽车声品质研究一直受到不同程度的限制。我国自主研究的便携式数据采集系统可以获取较为精准的声压值,但是没有考虑到人耳的听觉特性,因而没有达到应用要求。本文建立基于MGC(Mel-Generalized Cepstrum)参数和BP(Back Propagation)神经网络的声音转换系统和声音评价模型。首先,以普通咪头传声器和调理前端搭建一套声音信号的便携式数据采集系统。以两款电动汽车为研究对象,分别在半消声室和宽阔马路进行实验,同时使用便携式和人工头系统采集多种工况的车内声音信号,共获得156组声音样本数据进行后期处理。通过初步分析声音信号的原始波形和频谱图可知,两种采集系统在频率和幅值方面有一定的差异。随后,建立基于MGC参数和BP神经网络的声音转换系统。本文主要选用偏向于人耳听觉特性的Mel广义倒谱(MGC)参数。选取合成声音效果较好的WORLD声音分析和合成系统,通过该系统的三个算法提取出一段声音信号的三个特征参数:基频、频谱包络、非周期性参数。接着,建立基于MGC参数的四层BP神经网络转换模型。将转换后的声音特征参数通过WORLD模型合成新的声音信号,并采用三层小波分解的方法进行去噪处理。通过分析原始波形和频谱图可知,合成的声音信号质量有了很大的提高。最后,建立声音评价模型。分别使用声音转换领域的主观评价和声品质的客观评价,来对合成的声音信号和目标声音信号进行评价。通过ABX测试和MOS测试表明,新合成的声音信号更加偏向于目标声音信号,声音质量较好。通过声品质评价领域的响度、粗糙度、尖锐度、A声级等参数对比可知,新合成声音信号的平均误差已经符合了工程要求。表明本文研究的声音转换模型和声音评价模型,能够有效地降低便携式数据采集系统的误差,以达到工程应用的目的。本文从声音信号处理的角度,建立一套完整的声音转换模型和声音评价模型。通过提取声音信号的特征参数,将采集到的声音信号通过声音转换模型,转换成人工头所采集的声音信号,并建立声音评价模型。经过误差分析可以初步表明,在声品质评价方面基本上可以取代高昂的人工头数据采集系统。