本文的研究课题是《面向流行病预警的声音数据聚类方法研究》,本文的主要研究目的是希望通过人群级别的咳嗽声音数据的搜集与分析处理,预警某一场所呼吸道流行病爆发的趋势。具体实现场景为,于某一个人员密集场所（如实验室,教室）布置麦克风,采集到带有不同人的咳嗽的音频信号,通过音频聚类的方法精确数出一段音频信号的咳嗽人数,通过这个指标来预警呼吸道流行病爆发的趋势。本文主要研究内容为基于研究目的构建的系统,系统采集咳嗽音频信号,而后分为三个模块,第一个模块为数据预处理模块,模块功能为将采集到的音频信号分割为待聚类的各小段,第二个模块为基于ILP算法的数据聚类模块,第三个模块为基于孪生神经网络的数据聚类模块。音频特征结合ILP算法与孪生神经网络是本文所使用到的两类主要研究方法。咳嗽音频数据集采集自开发的小程序以及视频网站,并使用了Noise-X92噪声库,来仿真不同信噪比的音频数据,以验证系统的抗噪声性能。最终实验得出的聚类结果来看,在信噪比较高,即周围环境较为安静的情况下,两类方法都能达到较高的聚类精度,当信噪比较低时,孪生神经网络的方法具有更显著的优势。同时,孪生神经网络也具有其弱点,即需要大量的训练数据集,数据集标注耗费人力且十分困难,实验时间消耗更长,而基于音频特征和ILP算法的研究方法不需要训练数据集,实验时间较快,因此两类方法各有其适用的情况。