车型分类识别技术是智能交通系统中的重要组成部分,在交通流量统计、高速公路收费、提高道路利用率和道路规划与扩建等方面都有着极其重要的意义。为了实现不同车型的自动分类,本文研究了基于声音信号的车型分类识别方法。根据目前较通用的车型分类标准,选取了大、中、小三种不同的车型,分别在不同道路环境下进行了车辆声音信号采集。由于采集到的声音信号伴随着大量的环境背景噪声,利用小波分层阈值自适应降噪方法对车辆声音信号进行了降噪处理。通过对车辆声音信号进行频谱分析,明确了与车型分类相关的主要频段范围。为了避免遗漏那些能量相对微弱却影响车型分类结果的声音信息,将基于能量信息的小波变换方法与不基于能量信息变换的互信息方法相结合进行特征提取。考虑到维数过高的特征向量会降低分类器的性能,本文利用遗传算法对包含小波频带系数能量特征和关键频率成分特征的特征集进行了降维处理,在去除了特征集冗余性的同时,提高了分类器的正确率。特征提取过后,本文分别用BP神经网络、LVQ神经网络和支持向量机对特征向量进行了模式识别。为了充分利用小波频带系数能量特征和关键频率成分特征之间的互补性和差异性信息,本文利用D-S证据理论对小波变换及其适用的BP神经网络得到的分类结果与互信息及其适用的支持向量机得到的分类结果进行了决策级信息融合。论文采用上述方法进行了车型识别试验,试验结果表明:结合小波变换和互信息的特征提取方法可以有效利用车辆声音信号的综合信息。针对两种分类器对同一车辆声音样本可能得到不同分类结果的情况,基于D-S证据理论的决策级信息融合方法增大了对于未知样本类别的置信度,消除了分类结果的不确定性,提高了车型分类的正确率。