随着社会经济技术水平的发展和人民生活水平的不断提高，汽车的普及度越来越高，人们对汽车乘坐的舒适性要求也不断提高。汽车噪声特性是影响汽车乘坐舒适性的重要因素，而发动机是车内噪声的主要来源之一，由发动机引起的车内噪声已成为汽车工业行业中研究的热点，但是针对C级车发动机引起的车内噪声研究并无文献记录。本课题来源于吉林省发展计划重点项目——车内声品质的智能化评价模型建立与控制技术研究。本文针对C级车发动机引起的车内噪声，进行声品质客观参数的计算和声品质主观评价试验，并分析他们之间的相关性。通过应用基于遗传算法的BP神经网络建立声品质预测模型（GA-BP），成功建立了客观量化和主观感觉之间的关系。将GA-BP模型与传统的BP模型在收敛性、稳定性和预测精度三方面进行对比，验证了GA-BP模型的可行性和有效性。本文主要研究内容分为四部分：（1）获取车内噪声，进行声品质客观参数的计算和声品质主观评价试验，并分析他们之间的相关性。本试验在一汽技术中心的半消声室内进行，利用转毂试验台，采集4个车型的5个匀速工况下由发动机引起的车内噪声。应用等级评分法对声音样本的烦躁度进行打分，计算出声音样本的7个客观心理声学参数，对主观评价值和客观参数进行相关分析，选择出与主观评价值相关性较大的心理声学参数，分别是响度、尖锐度、粗糙度和AI指数。心理声学参数作为声品质预测模型的输入，主观评价值作为声品质预测模型的输出。（2）建立C级车声品质数据库。建立C级车声品质数据库，将实验信息、工况信息以及车型信息存储于数据库中。既节省了查阅时间，又为降低C级车噪声提供了数据支持。（3）建立声品质烦躁度的GA-BP神经网络预测模型。确定BP神经网络的结构，包括输入、输出层神经元个数、隐含层数、隐含层神经元个数和传递函数。用遗传算法对BP网络的权值和阈值进行编码，确定适应度函数以得到误差较小的网络，最后采用选择、交叉和变异等操作来寻求全局最优解，将遗传输出结果作为BP网络的初始权值和阈值，得到声品质烦躁度GA-BP预测模型。并对GA-BP模型进行训练，以达到要求精度。（4）将GA-BP预测模型与BP预测模型在收敛性、稳定性和预测精确度三方面进行对比，验证GA-BP神经网络模型的可靠性和精确性。通过试验发现，在网络训练误差目标相同的情况下，GA-BP预测模型的收敛速度比BP预测模型的收敛速度提高了5倍。由于BP预测模型初始权值和阈值的随机性，导致相同样本每次的预测结果都存在较大的差异，而GA-BP预测模型采用遗传算法对BP网络的初始权值和阈值进行优化，保证了网络的稳定性，对声音样本声品质预测结果有较高的一致性。BP预测模型对样本声品质预测的百分比误差在20%以下，而GA-BP预测模型对样本声品质预测的百分比误差可降低到10%以下，有些样本的预测误差甚至接近于零。