目前对于截取飞机短波无线电通信音频,识别飞机类型的工作主要是通过人工侦听来识别声音信号中关于飞机发动机的声音以此来推断飞机的类型。但是这种通过人耳进行识别的方法往往误差很大,主要原因有两个,一是截取的声音信号非常短,可能就几十毫秒;另一个是截取到的飞机的声音信号中混杂着各种噪声,使识别难度增大。由此可以看出,研究对飞机舱音、驾驶员通话背景音的分类识别,具有非常重要的意义。目前关于通过飞机舱背景音进行飞机类型识别的文献很少。本文主要研究了两种针对声音信号特征提取的方法,并且分别对其进行了仿真实验,通过分析,得出通过梅尔频率倒谱系数算法计算得到的信号特征更适合本文所用的声音信号。根据得到的信号特征,本文选用BP神经网络、朴素贝叶斯分类器和支持向量机分别来对八种飞机的通话背景声音进行分类识别。与BP神经网络和朴素贝叶斯分类器相比,支持向量机更适合对样本规模较小的数据分类,分类准确率高。然而支持向量机的分类效果受参数的影响较大,为寻找到最优的参数,本文还采用了粒子群算法与和声搜索算法优化支持向量机的参数。本文分别用BP神经网路、朴素贝叶斯分类器、支持向量机、粒子群算法优化的支持向量机与和声搜索算法优化的支持向量机对声音信号的分类识别进行了仿真实验。仿真实验表明,在用使用梅尔频率倒谱系数算法提取八种飞机声音信号的特征进行分类实验时,利用和声搜索算法优化的支持向量机的分类效果更好,更适合用于对本文研究的飞机声音信号进行分类。