在人类的感知系统中,视觉感知和听觉感知是两种主要感知手段,其中,声音是传递信息的重要媒介,也是听觉感知系统的基本要素之一。当前,随着人工智能技术的迅速发展,机器视觉、计算机视觉等方面的技术虽趋于完善,但机器听觉的主要研究对象是语音和声纹,其对复杂声音事件分类和检测等领域的研究仍相对匮乏。目前声音事件分类主要应用于公共安全智能化监控、异常声音检测、城市噪音检测等领域。但当前已有的声音事件分类和定位检测模型仍存在分类准确率不够高、定位精度较低以及检测错误率较高等问题,针对上述问题论文进行了如下研究:（1）为解决单特征输入时现有声场景分类方法分类准确率不高且泛化能力不强的问题,提出了一种基于多流卷积和多维混合数据增强的声场景分类方法。首先,介绍了单输入卷积和混合数据增强的基本原理;其次,设计了一种多流卷积神经网络模型以期实现多流特征融合,其由特征提取模块和特征融合模块组成。特征提取模块可针对性地对不同特征图中的信息进行提取,并在特征融合模块中进行聚合;然后,提出了一种多维混合数据增强方法以实现特征数据的平滑处理。最后为验证该方法的有效性,采用9种特征组合方案,基于Urbansound8K,ESC50和ESC10数据集分别开展了声场景分类实验。实验结果表明:模型的准确率分别为88.29%、77.75%和96.25%,验证了该方法进行声场景分类研究时,模型具有较高的准确率和较强的泛化能力。（2）为解决现有频谱分离方法进行声学场景分类研究时其分类准确率不高的问题,提出了一种基于声学特征分离和长距离自校正卷积神经网络的声学场景分类方法。首先介绍了频谱图的谐波打击源分离原理;其次,提出了一种梅尔频谱图和伽马通频谱图分离算法;然后,结合自校正神经网络和残差增强机制,提出了一种长距离自校正卷积神经网络。该模型采用频域自校正算法以及长距离增强机制来保留特征图原始信息,且结合多尺度特征融合模块,以进一步提取模型训练中输出层的有效信息,从而提高模型的分类准确率;最后,基于Urbansound8K和ESC-50数据集开展了声学场景分类实验。实验结果表明:梅尔频谱图的残差分量能够针对性地减少背景噪音的影响,从而具有更好的分类性能,且LSCNet实现了对特征图中频域信息的关注,其最佳分类准确率分别达到90.1%和88%,验证了该方法的有效性。（3）针对现有声音事件定位检测方法的准确率较低的问题,提出了一种时频自校正卷积循环神经网络的声音事件定位检测方法。首先,结合自校正神经网络和残差增强机制,提出了一种时频自校正算法,该结构采用时频域自校正算法来保留特征图原始信息,其既保证了输入特征图和输出特征图尺寸的一致性,又减少了卷积运算量,从而提高了训练效率。其次,结合长短时记忆网络提取长时音频特征中的上下文信息以提升模型的定位检测精度,从而得到声音事件开始时间、结束时间、方位角和仰角等预测值。然后基于混合数据增强方法,提出了一种三维混合数据扩充方法以降低模型过拟合的概率,最后,基于Dcase2017、Dcase2019和ANSYN数据集开展了声音事件定位检测实验,实验结果表明,该方法能够有效提高声音事件定位检测精度。