摘要：聲學場景中包含著很多長時特征和短時特征。本文提取環境聲的能量信息,批量生成聲音場景的三維語譜圖,作為卷積神經網絡的輸入。神經網絡采用卷積層和下采樣層重復交疊,整體網絡采用六層網絡結構,最終經過softmax方法進行多分類。實驗采用DCASE2017競賽數據集作為素材,對15類6300段音頻進行訓練測試,結果表明,語譜圖特征與卷積神經網絡相結合的算法能夠很好的提取長時特征和短時特征,使得最終分類準確率較高,優于網站基線系統的分類結果。