声学场景分类（Acoustic Scene Classification,ASC）是一项对特定声学场景进行识别与分类的技术,其广泛应用于智慧城市、自动驾驶、安全监控等多个领域。近年来,越来越多的研究人员开始探索ASC领域,并提出了许多有效的模型,其中卷积神经网络（Convolutional Neural Network,CNN）凭借其强大的表达能力与突出的分类性能,成为本领域当前的主流方法之一。在基于CNN的模型中,大多数是使用卷积层提取带有时序信息的特征图后,直接对其进行最大池化操作,以减小特征图尺寸,再将最大池化层的输出送入分类器。虽然最大池化相对简单,但可能会丢失有用信息,且无法输出固定尺寸的特征图,导致网络只能处理特定尺寸的语谱图,造成模型通用性较差。为此,本文就池化层部分的改进方法展开研究,主要内容如下:（1）为了在池化部分提取更优且固定尺寸的特征,提出了基于可学习字典编码（Learnable Dictionary Encoding,LDE）的声学场景分类方法,通过对当前场景与所有场景共性特征之差进行加权编码,来提取当前场景相对于其他场景更有判别性的特征。鉴于LDE需要较多字典中心才能达到较高分类准确率的情况,进一步提出了基于字典中心均衡可学习字典编码的声学场景分类方法,通过控制每个字典中心对应的权重,使得所有字典中心能够均匀地学习到场景共性特征。实验结果表明,该方法可以取得优于基线系统的效果。（2）对于不同的场景类别,最有判别性的信息往往处于语谱图的不同频段上,据此提出了基于子频谱可学习字典编码的声学场景分类方法。其将完整语谱图在频率维度上划分为多个子频谱,分别输入到不同的LDE中编码,然后将编码结果向量合并到一起,再使用分类器进行分类。研究中探索了不同的划分方式与划分操作在网络中的位置,以得到最优的网络结构。考虑到每个LDE中字典中心的使用效率问题,也在最优网络中加入字典中心均衡策略,提出基于子频谱字典中心均衡可学习字典编码的声学场景分类方法。实验结果表明,该方法可以进一步提高模型准确率。