无人驾驶汽车在行车过程中,需要通过视觉感知和听觉感知来构建当前周围环境模型,声学事件检测是听觉感知系统构建模型的核心所在。行车环境下声学事件检测系统面临着复杂而强烈的噪声挑战,尤其是行车过程中的风噪。声学事件检测中,常用的声学特征梅尔频率倒谱系数(MFCC)对噪声干扰十分敏感,为了解决这一问题,提出一种谐波梅尔频率倒谱系数(HMFCC)的鲁棒性声学特征提取算法,用于声学事件的目标分类。该算法通过声学信号的谐波模型与MFCC算法相结合,提取目标声学信号中的共振峰频率,改进传统Mel滤波器组,从而增强HMFCC中目标声学信号的中高频分量。研究结果表明:在不同的风噪环境下,基于HMFCC声学特征的检测结果具有较高的精准率和召回率,且在低噪和强噪环境下HMFCC和MFCC之间分类效果差异明显;低噪环境下,几种声学事件的HMFCC特征分类的平均精准率和召回率分别达到82.66%、84.15%,而基于MFCC特征分类检测的平均精准率和召回率只有73.93%、74.61%;随着风噪增强,MFCC特征分类精度严重下降,平均精准率和召回率仅为54.15%、44.95%,HMFCC特征在强噪环境下的平均精准率和召回率为72.16%、69.87%。行车环境下,HMFCC特征不仅可以提高分类的准确率,而且表现出对噪声不敏感的特性。