音频信号作为一种常见的信息载体,是人们感知环境和交流信息的重要手段,相比于其他信号有着易采集、易传输、受环境干扰小的特点,相关研究也一直受到广大学者的关注与青睐。音频事件分类便是其中重要的研究领域之一,其利用机器设备对采集到的音频信号进行分析,智能感知出当前环境的变化,并判断出声音中对应的事件,对使用者起到辅助决策的作用,这项技术也常常应用在零件加工监测、智能城交、自动驾驶等领域中。近年来,深度学习算法迅速发展,各种深层网络框架层出不穷,在解决多输入强耦合场景上表现出巨大的优势,这也为音频事件分类系统性能上的突破提供了一种思路。因此本文主要围绕多种深层神经网络框架对音频事件分类任务展开探索,构建不同架构的网络模型提升系统性能,并且将算法用于机床加工时刀具的磨损监测应用中。本文主要研究内容如下:首先,对基于经典深层网络的音频事件分类方法进行了探究。介绍了卷积网络、循环网络的结构及相应的训练算法,基于音频信号的特点以频谱特征为网络输入,搭建了以各自网络为识别算法的音频事件分类系统,并在ESC10数据集上进行了多组对比实验。实验结果表明,深层网络分类性能普通优于浅层机器学习方法,其中以滤波器组特征为特征输入,识别主体网络为卷积神经网络的识别系统分类效果最好。其次,提出了一种基于数据融合思想的深层网络模型,并用在音频事件分类任务中。在传统的深层网络模型中,研究者常需要根据音频数据的特点调试结构与参数以避免关键信息的丢失。针对这一问题,本文在网络设计上加入多个信息源,在特征、结构和模型三个维度进行数据融合,构建了一种多特征输入、多尺度视野的卷积循环深层网络架构,利用算法强解耦的能力,自适应地选择参数运算,同时引入注意力机制滤除不必要的信息,避免了多信息源的冗余问题。实验结果表明,相比于单一结构,基于深层融合网络算法的音频事件分类系统表现出更高的准确率和F1分数。最后从应用角度出发,在刀具磨损场景下验证了深层融合网络算法分类系统的有效性。实验构建了不同磨损程度的刀具加工时的音频数据库,采用深层融合网络对音频信号进行分类,达到了较高的准确率。同时利用树莓派4B嵌入式主板、声音传感器和外置USB声卡设计了一套检测刀具磨损程度的系统,在线监测加工刀具的磨损状态,进一步说明了深层网络算法解决工程问题的能力,为汽车零部件智能加工的实际应用提供了参考。