近年来，人们对生活质量的要求日益升高，健康舒适的居住环境成为人们关注的重点，环境噪声投诉占环境投诉的比例也明显升高。然而，如今的噪声监测只有声压级一个指标，忽略了声源这一对人耳有重要影响的因素，相同声压级的音乐声与汽车噪声相比，人们显然对前者有更高到的接受度。针对这一现象，本文借鉴声音景观理论，采用主观评价的方法对不同声源组合的噪声划分等级，并利用深度学习算法识别出环境声音的噪声等级，给环保工作者在噪声监测工作中以更加科学的指导。
　　提取合适的特征是进行环境声音分类的首要任务。与其他音频信号相比，环境声音比较复杂，一条声音片段中会交替出现多种声源。单使用时域的特征难以取得好的分类效果，梅尔频率倒谱系数是频域上最常用的特征，然而，它对噪声比较敏感，不适用于复杂的环境声音分析。对数梅尔声谱图结合了时域和频域的特征，又符合人耳的听觉特性，基于深度学习的分类方法有望取得好的环境声音分类效果，因此，本文提取的环境声音特征为对数梅尔声谱图。
　　模型的选择对环境声音分类结果具有重要的影响。深度学习方法比传统的信号识别方法更具优势。目前，基于深度学习的声音分类方法大多借鉴图像处理技术、语音识别方法和自然语言处理方法，采用卷积神经网络或者循环神经网络作为分类模型。卷积神经网络能高效的获取图像的局部特征信息，却难以利用上下文信息，循环神经网络能获取上下文信息，但是网络结构复杂，效率较低。通过分析声音信号的特性，本文结合卷积神经网络和循环神经网络的优点，设计卷积循环神经网络作为分类模型，按照局部特征、全局特征、上下文信息的顺序进行特征提取，进而更好的实现声音分类。鉴于对数梅尔声谱图的频率较高，卷积神经网络容易丢失平移不变性，其平移不变性的丢失主要是由下采样引起的，为了缓和这一现象，本文引入模糊池化来改善最大池化层。在环境声音信号中，背景信号比较复杂，且占较多比例，本文引入门控线性单元作为卷积神经网络的激活函数，尽量忽略背景信息，提取更有用的特征。
　　本文主要是在深圳市各区域采集的环境声音上进行实验，并对基本卷积循环神经网络模型与改进后的模型进行对比分析，实验结果证明了本文提出的改进方法的有效性。