随着汽车工业的快速发展,汽车的NVH性能受到越来越多的重视,因为汽车NVH性能对汽车质量有着很大的影响。人工头噪声采集系统将人耳内部听觉特性考虑在内,且作为汽车行业主要的车内噪声采集工具,但是该设备价格昂贵、操作复杂。研究团队自主搭建了一套便携式噪声采集系统,该系统可以采集车内噪声,但是未将人耳听觉特性考虑在内,还未达到工业使用要求,有进一步研究的价值和潜力。为了提高便携式噪声采集系统的精度,从声音信号处理的角度出发,以电动汽车车内噪声为数据样本,本课题基于稀疏自编码器（SAE,Sparse Autoencoder）和前馈神经网络（FNN,Feedforward Neural Network）建立了一套车内噪声的转换系统,将便携式系统采集的声音信号转换成近似于人工头系统采集的声音信号,并且较好的通过主观评价以及基于声品质参数的客观评价,初步表明该便携式设备可以近似取代人工头设备用于车内噪声的采集以及声品质的计算。本课题的主要研究内容如下:（1）在同一工况下,采用两种设备对某款纯电动汽车进行车内噪声样本的采集,并对采集的声音信号进行初步分析,结果表明两种系统的声音信号差异较大。（2）采用WORLD声音编码器对原始声音和目标声音进行特征参数的提取,提取的特征参数为:基频、频谱包络参数和非周期性参数。将每组声音信号提取的特征参数整合在一个参数矩阵中,进而建立原始声音信号和目标声音信号的参数元胞组。（3）由于提取的参数为高维数据,为避免维度灾难,提出了运用稀疏自编码器对每组声音信号的高维参数进行降维处理的方法。再基于前馈浅层神经网络对降维后的低维参数进行回归拟合,建立声音信号特征参数的转换模型。将原始声音信号的特征参数转换后,再利用WORLD声音编码器合成新的声音信号,最终完成声音转换模型的建立。（4）针对声音转换模型的转换性能进行主观和客观评价。主观评价主要采用ABX和MOS测试方法。通过这两种测试表明,合成的声音信号在主观听觉方面上更接近目标声音信号,且声音质量较好。客观评价主要基于时域、频域和声品质等多方面进行评价。在时域和频域上,合成声音信号的波形更接近于目标声音信号的波形,通过响度、尖锐度和粗糙度等参数对比,合成的声音信号更为接近目标声音信号的参数值,平均误差符合工业使用要求。