近年来,随着中国经济的快速发展和新兴城市的迅猛崛起,国家安全面临诸多威胁和挑战,城市安全形势十分严峻。从国内层面看,城市人口膨胀、贫富差距拉大和社会利益分化等冲突进入前所未有的活跃期;从国际层面看,恐怖袭击事件频繁发生,严重危害到社会公共安全秩序。为了解决当前城市安防监控系统存在的时效性差、检测率低和局限性大等问题,本文提出将异常声学事件检测(AAED)系统加入城市安防监控系统中,从信号的预处理、特征提取和分类识别三大方面展开研究,并分别提出改进方案。对传感器接收到的连续信号进行有效的预处理是声学事件检测的重要基础,本文首先利用传统预处理技术对异常声音信号做分帧、加窗和预加重等处理,同时提出基于短时能量和过零率的双门限端点检测技术对信号进行切割。仿真结果证明,该技术能够有效降低AAED系统的计算开销,提高系统的实时性能,同时为后续异常声的分类识别提供有力保障。本文提出基于正交匹配追踪(OMP)算法提取异常声音信号的时频特征。该方法通过构造基于人耳听觉临界频带的Gabor字典,利用OMP算法对信号进行稀疏分解,从Gabor字典中选择最优的几个重要原子,提取它们的尺度、频率和位移参数从而获取OMP时频特征。仿真结果表明,OMP时频特征对异常声学事件检测具备良好性能,将其与传统声学特征相组合,能够有效解决在公共场所的实际应用中传统声学特征对非平稳信号辨识度低鲁棒性差等问题。考虑到随机森林为异常声学事件检测的最佳单个分类识别算法,本文将随机森林与集成学习相结合,提出基于加权软聚类投票的集成随机森林模型。该模型将多个随机森林集成,以加权软聚类投票法作为结合策略,利用智能优化算法对所提模型进行参数寻优。同时对于模型面临的数据样本不均衡问题,本文提出基于装袋(Bagging)算法和基于装袋集成多样(BEV)算法的两种解决方案。仿真结果表明,与传统单个分类识别算法相比,所提模型实现了提高异常声学事件识别率的目的,由于粒子群优化算法(PSO)具有全局搜索能力强、收敛速度快等优势,基于PSO算法优化的改进模型分类精度更高。此外基于BEV算法的数据均衡方案,能够有效提高异常声学事件中少数类的识别率,在均衡样本数据的同时提升模型整体的泛化能力。