随着消费者对汽车产品需求的多元化,汽车不仅要具备动力性、燃油经济性等基本性能,还需要满足汽车声品质的要求。而车门作为人与汽车最频繁接触的部件,其关门声品质的好坏会直接影响消费者的购车决策,因而汽车关门声品质的研究具有现实意义和工程意义。本课题以乘用车关门声为研究对象,进行主观评价试验和客观评价分析,应用描述型数据挖掘方法挖掘出最能代表主观偏好性的客观评价参数,实现了客观评价参数的有效降维,并建立主客观评价之间关系的预测型数据挖掘模型进行声品质评价。主要研究内容如下:首先,对不同品牌等级的乘用车进行声样本采集试验。在半消声室内采集了16辆各类乘用车关门声样本,试验工况为1.0m/s、1.2m/s、1.4m/s（±0.02m/s）三种关门速度。对采集到的声样本进行筛选、剪辑等预处理,使剪辑后的声样本保留原信号的主要信息且不影响主观评价感受,由此得到预处理后的48个有效关门声样本。其次,对预处理后的有效关门声样本进行了主观评价试验。采用无评价经验要求的自适应分组成对比较法进行主观偏好度评价试验,计算主观偏好度值并与传统成对比较法主观偏好度值进行相关性分析,验证了自适应分组成对比较法最终结果的可靠性。对比发现了不同关门速度对主观评价值的影响规律,即同一辆车的主观偏好度评价值随着关门速度的提高呈下降趋势。然后,对关门声品质客观参数进行了描述型数据挖掘。利用HEAD Artemis软件计算了预处理后的48个有效关门声样本的六个客观评价参数值。再应用描述型数据挖掘方法中因子分析和凝聚层次聚类分析进行数据挖掘,将六个客观评价参数分为三类:第一类为粗糙度、波动度和尖锐度;第二类为响度;第三类为A计权声压级和语言清晰度。并应用相关性分析得出了每类客观评价参数中与主观偏好度值相关性最强的客观评价参数及其相关系数,分别是尖锐度、响度、A计权声压级,实现了客观参数的降维提取。最后,建立了关门声品质评价模型并进行预测型数据挖掘。应用粒子群优化的极限学习机（PSO-ELM）和最小二乘支持向量机（PSO-LSSVM）等预测型数据挖掘方法分别建立了未降维PSO-ELM评价模型和未降维PSO-LSSVM评价模型、降维DR-PSO-ELM评价模型和降维DR-PSO-LSSVM评价模型等四种模型。对比发现降维极限学习机DR-PSO-ELM模型的均方根误差、平均绝对误差百分比、决定系数、运行时长等模型质量参数分别为0.0276、5.555%、0.950、21.937s,均优于其余三种模型,说明降维极限学习机DR-PSO-ELM评价模型的输入参数少,评价工作量及建模工作量小,其精度和泛化能力较好,更适合用于关门声品质评价。再应用降维DR-PSO-ELM模型对蒙迪欧某款轿车的关门声进行了评价,验证该模型可以用于乘用车类型车辆的关门声品质挖掘和评价。该研究表明,应用数据挖掘方法可以对客观参数进行有效降维提取,并建立反映乘用车关门声品质主观评价与客观参数间关系的模型,并以此模型预测关门声主观偏好度值,能简化费时费力的主观评价,提供一种应用主要客观参数表征声品质的方式。该研究在构建模型时并未附加额外条件,因此该数据挖掘方法可以推广到其他的声品质主客观评价研究。