实现对婴儿啼哭声的自动检测,可以提醒看护人员注意,预防可能的危险发生,对于降低看护人员的劳动强度、提高婴儿看护用品的档次具有实际意义。另外由于婴儿的啼哭声中可能包含疼痛、饥饿等信息,通过这些信息可以研究婴儿的心理和生理发育状况,甚至可以推断婴儿是否患有某一类疾病,自动化的婴儿啼哭检测有助于提高研究效率。本文基于CNN和改进的K-means设计实现了两种婴儿啼哭声检测算法,并进行了性能测试与分析。本文通过对声音信号进行预处理,提高啼哭信号的信噪比;通过改进声音检测端点有效地区分了有声段与噪声段;通过降噪处理,降低了数据处理负担,增强抵抗背景噪声的能力。不同类别的声音具有不同的时域、频域、能量谱以及语谱特征,这些声学参数的差异为实现声音分类提供了基础。本文采用有声段的梅尔频率倒谱系数作为信号的特征,分别基于改进的K-means算法和卷积神经网络设计了两类检测算法,实现了婴儿哭声检测和一些其它声音的分类。在改进的K-means算法中,针对声音样本数据长度不确定、与声音检测模板数据长度不等长的问题,采用动态时间规整算法实现测试信号特征与模板的匹配。在基于CNN的算法中包含了一个5层的神经网络,其中卷积层对声音参数进行深层次特征提取,池化层对数据进行降维,全连接层将学到的特征映射到样本标记空间,实现对声音样本的分类。实验表明两种算法均可以有效地检测出婴儿哭声以及日常生活环境中常见的七种声音。在实验结果中,由于提取出了更多、更深层次的隐藏特征(比如倒频谱、共振峰、基音等),基于CNN的方法无论在识别准确率还是鲁棒性方面更具有优势。