听觉作为人们感知环境的重要通道,在视线障碍、不利光照条件等情况中可作为视觉的重要补充。在监控领域,音频监听可以作为视频监控的重要补充。现有的音频监听方法应用在不同场景时需要根据不同场景提供大量有标签数据用于训练。如何自动构建不同场景的背景训练数据以达到场景自适应目的,节省人工标注成本,成为一个值得研究的问题。本文旨在研究一套能够适应不同声场景的音频监听系统方案。监听系统自动录制并构建当前场景的背景训练数据,以区分监听场所的背景音与异常音。主要解决两个问题:一是如何自动计算不等长音频数据的聚类数并快速聚类,二是如何解决样本本身存在并由聚类加剧的训练数据分布不均衡且类间混杂、类内差异明显问题。本文的主要工作包括:(1)提出一种连续音频段分割方法提高音频段的纯净性。提出一种基于基频差值的连续音频段分割方法,通过基频差值描述音频段之间的差异,为后续的聚类和检测提高分割音频段的纯净性。(2)提出一种距离计算方法计算不等长音频段距离。提出N阶特征点概念,用于概括描述音频包络特征;提出了一种基于N阶特征点集快速对齐的动态时间规整距离计算方法,通过特征点集进行音频段对齐,分段计算动态时间规整距离。实验证明该方法有效降低了距离计算的时间复杂度,在两个长度约为10秒的样本距离计算中,快速对齐的动态时间归整计算方法比整段计算方法最多节省2.5秒的计算时间。(3)改进一种音频聚类方法提高聚类结果纯度。为了提高聚类纯度,提出连通距离概念,改进一种基于密度峰值的音频聚类方法。在密度峰值聚类过程中增加连通距离的样本属性,使得聚类纯度在二维数据集和音频数据集分别有约18%和30%的提升。(4)引入高斯混合模型-通用背景模型的分类方法。缓解背景数据分布不均衡导致的类间混杂、类内纯度不理想问题。通过大量实验对比分析找到分类模型的合理结构与参数,在二分类实验中,异常音频事件的精确率和召回率分别达到97%和83%。(5)设计并实现了自适应场景的异常音频事件监听系统。该系统具有音频事件获取、异常样本筛选、背景训练样本聚类方法、异常事件与背景事件模型训练与异常音频事件检测等功能。本文对该系统进行了两个场景的离线验证实验和一个真实场景的在线监听实验。在离线验证实验中,背景音频能量大且事件复杂的实验室场景,异常音频事件的精确率和召回率分别是65%和83%;在背景音频能量小的家庭场景,异常音频事件精确率和召回率分别是91%和88%。在实验室场景的在线监听实验中,精确率和召回率分别达到56%和79%。