1、當(dāng)今社會已進(jìn)入人工智能的時代，語音識別技術(shù)已經(jīng)相當(dāng)成熟。而對于實際生活中的復(fù)雜聲音，由于其聲源的復(fù)雜性和多樣性，加之背景噪聲的干擾，目前對于這一領(lǐng)域的識別研究還遠(yuǎn)遠(yuǎn)不夠成熟，仍然存在許多問題和缺陷。因此對噪聲環(huán)境下復(fù)雜聲音的識別研究具有非常重大的實踐價值和理論價值。復(fù)雜聲音是指這樣一類包含多種聲音類型且這些聲音之間的邊界難以區(qū)分的聲音信號。目前對于這類聲音的檢測方法主要沿用傳統(tǒng)的語音識別技術(shù)，語音信號發(fā)音方式較為固定且能量平穩(wěn)，而復(fù)雜聲

2、音種類繁多，發(fā)音原理各不相同，瞬間能量也較大，而且還會被環(huán)境噪音所干擾，因此僅僅采用傳統(tǒng)的語音識別技術(shù)不能夠較好地應(yīng)用于復(fù)雜聲音的識別。
　　針對噪聲環(huán)境下這一類聲音識別準(zhǔn)確率低的問題，本文主要進(jìn)行了如下研究工作:(1)首先主要介紹了聲音識別中常用的幾種時頻域特征，通過提取和分析復(fù)雜聲音樣本的特征參數(shù)，提出了由時頻域特征組合的方式來共同描述復(fù)雜聲音，并進(jìn)行了多種混合特征的對比實驗。(2)在對噪聲環(huán)境下的復(fù)雜聲音識別方法研究過程中，

3、針對人工選擇訓(xùn)練樣本的困難，提出了一種基于聚類標(biāo)注的訓(xùn)練樣本選擇算法，能夠更加快速精準(zhǔn)地選擇出訓(xùn)練樣本代表集，并進(jìn)行了不同聚類方法的對比實驗。(3)最后提出了基于隱馬爾可夫模型（Hidden Markov Model，HMM）的復(fù)雜聲音識別框架，并進(jìn)行了訓(xùn)練和識別。通過對列車聲音以及鳥叫聲兩種不同類型的復(fù)雜聲音進(jìn)行仿真實驗，結(jié)果表明，利用時域特征短時自相關(guān)函數(shù)以及頻域特征梅爾頻率倒譜系數(shù)組合的混合特征參數(shù)表示復(fù)雜聲音特征，使用本文提出的